定義
Terminal-Benchとは、AIエージェントがターミナル上で実務的なタスクをどれだけ自律的にこなせるかを測定する評価ベンチマークのこと。
Terminal-Bench (端末操作ベンチ)とは（詳しく解説）
Terminal-Benchは、AIエージェントがLinuxターミナル環境でファイル操作・ビルド・デバッグといった複数ステップの実務タスクを自律的に完遂できるかを測る評価ベンチマークとして、開発者コミュニティで広く参照されている。単純なコード生成精度とは異なり、環境認識・エラーリカバリー・ツール呼び出しの連携まで含めて採点される点が特徴とされる。2026年時点の実運用では、ベンチマークスコアが高いモデルでも、社内の非標準的なシェル環境やレガシーな権限設定が絡む現場では想定通りに動かないケースが多いと指摘されている。コスト面でも、タスク完遂までの試行回数が多いモデルほどトークン消費がかさみ、相場感としてはスコア上位モデルほど1タスクあたりの実行コストが高くなりやすい。導入現場では、スコアの絶対値だけでなくタスク完遂までの平均試行回数やタイムアウト率も併せて確認し、自社の運用環境に近い条件で選定することが推奨される。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「Terminal-Bench (端末操作ベンチ)とは」 https://aipicks.jp/glossary/terminal-bench
Terminal-Bench (端末操作ベンチ)の使用例
- 「壊れたDockerビルドを自力で直してテストを通す」といった多段階タスクの完遂率を測る設定が典型例とされる。
- スコアだけでなく平均試行回数やタイムアウト率も合わせて比較するのが選定時のポイントとされる。
