terminal-bench

terminal-bench 是一个面向终端环境的大型语言模型（LLM）智能体基准测试框架，用于评估AI代理在真实Linux终端中执行复杂、端到端任务的能力。其核心包含结构化任务数据集（如编译代码、训练模型、配置服务器）和可复现的沙箱执行引擎，支持模型与终端交互的自动化评测。采用Python实现，提供CLI工具（tb）和标准化评估协议，强调系统级推理与实际操作能力。适用于AI代理研发、模型能力横向对比、操作系统交互能力验证等研究与工程场景。