Terminal-Bench 4.0：GLM-5.3衝到第三，超過GPT-5.6 Sol

8月29日消息，Terminal-Bench發佈4.0，重新校準Agent執行任務時的時間、CPU和內存，並修復19個任務、移除8個存在飽和、拒答、公開解法或質量問題的任務。所有任務的最長執行時間統一到8小時，主要是減少超時和環境問題對成績的干擾。最新榜單裏，Opus5+ClaudeCode以51.8%排第一，Fable5以44.5%第二。GLM-5.3+ClaudeCode拿到41.8%，衝到第三，超過GPT-5.6Sol+Codex的37.3%。前三名裏，GLM-5.3是唯一不是Anthropic的模型。在Terminal-Bench3.0中，GLM-5.3還是32.4%排第四，落後GPT-5.6Sol的34.6%；到了4.0，GLM-5.3升到第三，反過來領先Sol4.5個百分點。