Terminal-Bench 推出 2.0 版与 Harbor：专为智能体沙盒部署打造

想让 AI 智能体去终端执行复杂任务，最大的麻烦往往不是它不会写命令，而是你在测试时既怕它把真实系统搞坏，又怕现有的考卷太简单测不出真实水平。

搞定沙盒与更严苛的考卷

Alex Shaw 宣布了 Terminal-Bench 的新进展，直接拿出了两个新工具。

一个是 Harbor，一个专门用于大规模运行沙盒化智能体部署测试的工具包。

另一个是 Terminal-Bench 2.0。和上一代相比，它的题目难度更高，同时引入了更严格的验证机制，防止模型靠侥幸或不严谨的判定蒙混过关。

为什么重要

终端智能体要真正落地，大规模沙盒测试是绕不开的基建。如果在真实机器上跑，稍微越界就可能删库或改错系统配置；Harbor 尝试解决的就是在大规模测试时，如何把智能体安全关进沙盒里跑。

与此同时，随着大模型推理能力提升，原有的基准测试很容易被迅速刷爆。Terminal-Bench 2.0 选择拔高难度并加强结果验证，能更真实地反映模型在真实命令行环境下的工作能力。

我们认为，终端类智能体的竞争正在从纯粹比拼代码生成，转向比拼复杂长流程和真实环境容错。测试工具如果能把沙盒调度与严格验证做扎实，对下游开发者的模型选型会有很实在的参考价值。