Terminal Bench v4 排行榜顯示 GLM-5.3 以 41.9% 的得分領先，大幅超越 Qwen3.8-27B 和 Kimi-K3 等競爭對手。此排名突顯了 Z.ai 最新旗艦模型在終端機代理任務中的優異表現。 此基準測試正逐漸成為衡量實際 AI 智慧的指標，反映了使用者對開放與封閉模型的看法。這些結果為評估硬體特定量化和實際用途的本地 LLM 使用者提供了關鍵洞察。 GLM-5.3 透過在與 GLM-5.2 相同的基礎模型上進行訓練後改進而取得領先，而 Qwen3.8-Flash-Next 在本地量化設置中表現強勁。討論中指出潛在的數據污染問題，暗示某些排名可能因訓練數據的可用性而虛高。

事件背景

Terminal Bench 是一個代理基準測試，透過軟體工程、系統管理和資料處理任務來評估 AI 在終端機環境中的能力。它測量模型解決複雜多步驟指令的能力，作為實際編碼和管理效率的指標。數據污染是指評估測試數據出現在模型的訓練集中，這可能會膨脹分數而不反映真正的泛化能力。

社群觀察

社群成員對排名的有效性展開討論，有人懷疑數據污染使 GLM-5.3 和 Qwen3.8 等模型受益。其他人則強調實用優勢，例如 Qwen3.8-Flash-Next 在本地量化設置中更快的速度和更好的品質，證明了其在特定硬體配置中的實用性。