Terminal-Bench 4.0

ソフトウェア、機械学習、科学、運用、セキュリティ、ハードウェア、メディアにわたる複雑なターミナル作業を扱う、より難易度の高い66タスクのベンチマーク。計算資源と時間の許容量を再調整し、指示、環境、検証器を改善している。