Terminal-Bench 推出 2.0 版與 Harbor：專為智慧體沙盒部署打造

想讓 AI 智慧體去終端執行復雜任務，最大的麻煩往往不是它不會寫命令，而是你在測試時既怕它把真實系統搞壞，又怕現有的考卷太簡單測不出真實水平。

搞定沙盒與更嚴苛的考卷

Alex Shaw 宣佈了 Terminal-Bench 的新進展，直接拿出了兩個新工具。

一個是 Harbor，一個專門用於大規模執行沙盒化智慧體部署測試的工具包。

另一個是 Terminal-Bench 2.0。和上一代相比，它的題目難度更高，同時引入了更嚴格的驗證機制，防止模型靠僥倖或不嚴謹的判定矇混過關。

為什麼重要

終端智慧體要真正落地，大規模沙盒測試是繞不開的基建。如果在真實機器上跑，稍微越界就可能刪庫或改錯系統配置；Harbor 嘗試解決的就是在大規模測試時，如何把智慧體安全關進沙盒裡跑。

與此同時，隨著大模型推理能力提升，原有的基準測試很容易被迅速刷爆。Terminal-Bench 2.0 選擇拔高難度並加強結果驗證，能更真實地反映模型在真實命令列環境下的工作能力。

我們認為，終端類智慧體的競爭正在從純粹比拼程式碼生成，轉向比拼複雜長流程和真實環境容錯。測試工具如果能把沙盒排程與嚴格驗證做紮實，對下游開發者的模型選型會有很實在的參考價值。