Søgning
2 research-rapport(er) for »terminal-bench«
Qwen 3.6 27b undersøg hvorfor den er så god til lokal kogning og hold den op med nogle af de nye Feks Gemma 4 og Laguna 2.1
… Ifølge [12] scorer modellen 77,2% på SWE-bench Verified og matcher Claude 4.5 Opus på Terminal-Bench, samtidig med at den kan …
Qwen 3.6 27b undersøg hvorfor den er så god til lokal kogning og hold den op med nogle af de nye Feks Gemma 4 og Laguna 2.1
… Den scorer 77,2% på SWE-bench Verified (april 2026), matcher Claude 4.5 Opus på Terminal-Bench, og kører på en enkelt 16 …
9 briefing-resultat(er) for »terminal-bench«
Harness Leaderboard benchmarker kodningsmodeller mod Terminal Bench og Deep SWE
Kimi Code, Hermes, Pi, Claude Code og Codex testes på nye benchmarks. Resultaterne viser, hvordan open source-modeller klarer sig mod kommercielle.
Opfølgning: Ripple-65B-Preview matcher langt større modeller
Ricursive Intelligences nye tætte 65B-model scorede 80,5 på Terminal-Bench 2.1 og matcher Muse Spark Open og Reflection Beam trods færre …
Flint: Open-weight 40B MoE udfordrer Qwen3.6 på coding-agenter
Recursive Flint har 40B parametre med 2,5B aktive, 262k kontekst og slår Qwen3.6-35B-A3B i TerminalBench 2.1 og SWE-bench …
Xiaomis MiMo-V2.6-Flash-RL matcher eller slår åbne modeller i samme klasse
MiMo-V2.6-Flash-RL scorer 28,8% på Terminal-Bench mod DeepSeek-V4-Flash's 12,0% og GLM-5.3-Flash's …
Opfølgning: Anthropic lancerer Claude Fable 5.1 og Mythos 5.1
Fable 5.1 opnår 52,6% på Terminal-Bench-Science, får 1M kontekstvindue og 75% billigere cache-læsninger, mens Mythos 5.1 forbliver begrænset …
"Intelligence Density" – nyt mål for kodning pr. parameter
En aggregator på tværs af SWE-bench, DeepSWE, Terminal-Bench og Code Arena beregner hvor meget kodningsintelligens hver parameter leverer. Små modeller straffes for …
Terminal-Bench-Science evaluerer AI-agenter på videnskabelige workflows
En ny benchmark tester AI-agenters evne til at udføre reelle forskningsopgaver i terminalen. Målet er at kvantificere, hvor godt AI kan assistere i …
Opfølgning: MacBook vs. 2× DGX Spark – DeepSeek V4 Flash i kvantiseringskamp
… Mac'en vandt 54% mod 52% på Terminal-Bench 2.1 – overraskende tæt. Se [briefingen 17. juli](/archive/2026-07-17).