Terminal-Bench 2.1

Terminal-Bench 2.0の検証済みリフレッシュ版。ソフトウェアエンジニアリング、システム管理、データ処理、モデルトレーニング、セキュリティにわたる89のキュレーション済みタスクを収録し、環境と指示を修正することで、スコアが環境の不足ではなくエージェントの能力を反映するようにしている。