Terminal-Benchの記事一覧

Terminal-Benchは、ターミナルエージェントの現実的な作業能力を読むための評価です。成功ログだけでなく、失敗ログ、生成物、副作用まで確認します。

• AIエージェントのベンチマーク完全ガイド：SWE-benchだけでCodexの実力は分からない理由

  SWE-bench、Dialogue SWE-Bench、SWE-Skills-Bench、MarketBench、TerminalWorld、OSWorld、AgentHarmを分けて読み、Codexに任せる範囲と人間確認の残し方を整理します。

• TerminalWorld・Terminal-Benchで読むAIターミナルエージェントの限界：CodexにCLI作業を任せる前に見ること

  TerminalWorld、Terminal-Bench、terminal-agent task guidelineから、Codexにbuild/checkやログ読解を任せる前の安全手順を整理します。