ファイル操作・コマンド実行・複数ステップの連鎖など CLI 作業をタスクとして与え、エージェントが最後まで完遂できるかを採点します。手順全体の遂行能力を測ります。
ベンチマーク
234
Terminal-Bench
ターミナルベンチ
体験区分：調査ベース
推奨読者レベル：Level 2
何をしてくれるか
どこで出会うか
Claude Code や Devin のコーディングエージェント評価記事で目にします。「SWE-Bench だけでなくターミナル操作の連鎖も別指標で確認したい」という文脈で登場します。
構造図
2026.04·ready
「Terminal-Bench のスコアも見ると、エージェントの実作業力がわかります。」
Terminal-Benchの見方
235
この用語の見どころ
1
役割
エージェントの CLI 実作業能力を数値で比較できます。
2
うれしさ
コード生成とは別の「手順遂行力」を分けて評価できます。
3
注意点
タスク種別が限られ、全作業の代表性は保証されません。
4
どこで役立つか
エージェント選定や導入判断の補助指標として使えます。
5
はじめに
SWE-Bench との違いと、tbench.ai での公開リーダーボードの確認。
6
深掘り先
SWE-Bench、TAU-Bench、AgentBench
非エンジニアのつまずき
- ターミナル自体がとっつきにくいです。
- 何を測っているのかがイメージしにくいです。
- スコアの差が実用上どの程度の意味を持つのかが比べにくいです。
私のコメント
- 第一印象:エージェントユースに適したベンチマークの一つという印象です。
- 良い点:エージェントのターミナル操作能力を測れる点が良いです。
- ダメな点:モデルが賢くなるほどスコアが飽和しないかが気になります。
- 誰向けか:オープン・クローズ問わずモデルの実力を比較したい人向けです。
開発フローでの位置
エージェント選定
タスク確認
評価条件を読む
SWE-Bench と併読
関連用語
E-03·benchmark
バイブコーディング図鑑