AI基準測試Terminal-Bench升級2.0，強化任務驗證提升代理評測可靠性

由Stanford大學與Laude Institute合作開發的終端人工智慧代理基準測試Terminal-Bench，正式推出2.0版本。新版重點在於提升任務驗證品質，確保測試結果更可靠且能被重現，並同步推出名為Harbor的雲端容器化執行框架，讓代理評測更貼近實際運作環境。

Terminal-Bench自問世以來，迅速成為人工智慧代理開發者的重要評測工具。早期版本雖廣受使用，但部分任務因外部相依或環境變動而難以重現，例如涉及YouTube下載的題目，可能因平臺防機器人機制更新而導致評測失準。官方因此全面檢視任務資料集，2.0版本引入大量人工與語言模型輔助的驗證機制，使每一項任務都能在一致條件下重複執行，並得到相同結果。

2.0改版的目標不只是提高難度，更是讓評測真正反映代理的穩定性與持續可行性，官方表示，代理的真實能力不僅在於能否解題，更在於能否在相同條件下穩定完成任務，而新版的驗證流程就是要確保評測能反映這種可靠度。

與Terminal-Bench 2.0同時發布的Harbor框架，是這次更新的另一個重點。Harbor將原本在本機環境執行的測試，搬上可平行擴展的雲端容器，支援上千實例同時評測，並可整合強化學習與指令微調（SFT）流程。開發者可以在標準化環境中重複進行代理訓練與評測，減少外部變因對成績造成的影響，也讓測試本身成為持續改進代理能力的手段。

Terminal-Bench獲主要人工智慧研究機構與產業實驗室採用，官方排行榜上出現OpenAI、Anthropic、Google、xAI、阿里巴巴與Stanford等團隊提交的測試結果。Terminal-Bench的開發機構Laude Institute成立於2025年，由Databricks與Perplexity共同創辦人Andy Konwinski以個人資金創立，目標是資助長期具影響力的計算研究。