由斯坦福大学与Laude Institute合作开发的终端人工智能代理基准测试Terminal-Bench正式推出2.0版本。新版重点在于提升任务验证质量，确保测试结果更可靠且可复现，并同步推出名为Harbor的云端容器化执行框架，使代理评估更贴近实际运行环境。

Terminal-Bench自问世以来，迅速成为人工智能代理开发者的重要评估工具。早期版本虽广受使用，但部分任务因外部依赖或环境变动而难以复现，例如涉及YouTube下载的题目，可能因平台反机器人机制更新而导致评估失准。官方因此全面审查任务数据集，2.0版本引入大量人工与语言模型辅助的验证机制，使每一项任务都能在一致条件下重复执行，并得到相同结果。

2.0改版的目标不只是提高难度，更是让评估真正反映代理的稳定性与持续可行性。官方表示，代理的真实能力不仅在于能否解题，更在于能否在相同条件下稳定完成任务，而新版的验证流程就是要确保评估能反映这种可靠性。

与Terminal-Bench 2.0同时发布的Harbor框架，是此次更新的另一个重点。Harbor将原本在本地环境执行的测试，迁移至可并行扩展的云端容器，支持上千实例同时评估，并可整合强化学习与监督微调（SFT）流程。开发者可以在标准化环境中重复进行代理训练与评估，减少外部变量对成绩造成的影响，也让测试本身成为持续提升代理能力的手段。

Terminal-Bench已被主要人工智能研究机构与产业实验室采用，官方排行榜上出现OpenAI、Anthropic、Google、xAI、阿里巴巴与斯坦福等团队提交的测试结果。Terminal-Bench的开发机构Laude Institute成立于2025年，由Databricks与Perplexity共同创始人Andy Konwinski以个人资金创立，目标是资助长期具有影响力的计算研究。