TerminalBench v2.1 benchmark
116 AI models ranked on TerminalBench v2.1. Each row shows the model’s score next to its cheapest API price per 1M tokens where it has one, so you can weigh quality against cost.
Top model today
GPT-5.6 Sol (OpenAI) leads at 90%, from $5.00 per 1M input.
Data via GitHub: harbor-framework/terminal-bench-2-1 →Models ranked
116
on this benchmark
Top score
90%
current leader
Type
Single eval
benchmark
Updated
15 July 2026
last source fetch
Cost vs TerminalBench v2.1
72 priced modelsEach labelled name links to that model’s page. Curated to the cost-efficiency frontier, top scorers and cheapest so labels stay readable; the full field is in the leaderboard table below (and via “select all”). Reasoning models (extended “thinking” before answering) carry a ring around the dot.
Models ranked on TerminalBench v2.1
highest score first · 116 models| # | ||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | GPT-5.6 Sol |  OpenAI | 90%xhigh | $5.00 | $30.00 | |||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||
| 2 | GPT-5.6 Terra | OpenAI | 88% | $2.50 | $15.00 | |||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||
| 3 | Claude Opus 4.8 |  Anthropic | 85% | $5.00 | $25.00 | |||||||||||||||||||||||||||||
| 4 | Claude Fable 5 | Anthropic | 85% | $10.00 | $50.00 | |||||||||||||||||||||||||||||
| 5 | GPT-5.5 | OpenAI | 84% | $5.00 | $30.00 | |||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||
| 6 | Claude Opus 4.7 | Anthropic | 83% | $5.00 | $25.00 | |||||||||||||||||||||||||||||
| 7 | Grok 4.5 |  xAI | 82% | $2.00 | $6.00 | |||||||||||||||||||||||||||||
| 8 | GPT-5.6 Luna | OpenAI | 81% | $1.00 | $6.00 | |||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||
| 9 | Claude Sonnet 5 | Anthropic | 81% | $2.00 | $10.00 | |||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||
| 10 | Gemini 3.5 Flash |  Google | 79% | $1.50 | $9.00 | |||||||||||||||||||||||||||||
| 11 | GPT-5.4 | OpenAI | 78% | $2.50 | $15.00 | |||||||||||||||||||||||||||||
| 12 | Muse Spark 1.1 | Other | 78% | $1.25 | $4.25 | |||||||||||||||||||||||||||||
| 13 | GLM 5.2 |  Zhipu | 78% | $1.40 | $4.40 | |||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||
| 14 | Qwen3.7 Max |  Alibaba | 75% | n/a | n/a | |||||||||||||||||||||||||||||
| 15 | Gemini 3.1 Pro Preview | Google | 74% | $2.00 | $12.00 | |||||||||||||||||||||||||||||
| 16 | Claude Sonnet 4.6 | Anthropic | 71%reasoning: adaptive | $3.00 | $15.00 | |||||||||||||||||||||||||||||
| 17 | KAT-Coder-Pro V2 | Other | 70% | $0.30 | $1.20 | |||||||||||||||||||||||||||||
| 18 | Nex-N2-Pro | Nex-agi | 68% | n/a | n/a | |||||||||||||||||||||||||||||
| 19 | Kimi K2.7 Code |  Moonshot | 67% | $0.95 | $4.00 | |||||||||||||||||||||||||||||
| 20 | Kimi K2.6 | Moonshot | 66% | n/a | n/a | |||||||||||||||||||||||||||||
| 21 | MiniMax M3 |  MiniMax | 65% | $0.30 | $1.20 | |||||||||||||||||||||||||||||
| 22 | MiMo-V2.5-Pro |  Xiaomi | 65% | $1.00 | $3.00 | |||||||||||||||||||||||||||||
| 23 | Hy3-preview | Tencent | 64% | n/a | n/a | |||||||||||||||||||||||||||||
| 24 | DeepSeek V4 Pro |  DeepSeek | 64% | $0.43 | $0.87 | |||||||||||||||||||||||||||||
| 25 | MiMo-V2.5 | Xiaomi | 64% | n/a | n/a | |||||||||||||||||||||||||||||
| 26 | Muse Spark |  Meta | 62% | n/a | n/a | |||||||||||||||||||||||||||||
| 27 | Mimo V2 Flash | Xiaomi | 62% | $0.10 | $0.30 | |||||||||||||||||||||||||||||
| 28 | GLM 5.1 | Zhipu | 62% | $1.05 | $3.50 | |||||||||||||||||||||||||||||
| 29 | DeepSeek V4 Flash | DeepSeek | 62% | n/a | n/a | |||||||||||||||||||||||||||||
| 30 | Qwen3.6 Plus | Alibaba | 61% | $0.33 | $1.95 | |||||||||||||||||||||||||||||
| 31 | Qwen3.7 Plus | Alibaba | 61% | n/a | n/a | |||||||||||||||||||||||||||||
| 32 | GPT-5.4 Nano | OpenAI | 61% | $0.20 | $1.25 | |||||||||||||||||||||||||||||
| 33 | Qwen3.6 27B | Alibaba | 61% | $0.15 | $0.50 | |||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||
| 34 | JT-4.1 Flash 236B A21B | China-mobile | 60% | n/a | n/a | |||||||||||||||||||||||||||||
| 35 | GPT-5.4 Mini | OpenAI | 59% | $0.75 | $4.50 | |||||||||||||||||||||||||||||
| 36 | Claude 4.5 Sonnet | Anthropic | 56%reasoning: true | $3.00 | $15.00 | |||||||||||||||||||||||||||||
| 37 | MiniMax M2.7 | MiniMax | 55% | $0.26 | $0.55 | |||||||||||||||||||||||||||||
| 38 | Nemotron 3 Ultra |  NVIDIA | 54% | n/a | n/a | |||||||||||||||||||||||||||||
| 39 | GPT-5.1 | OpenAI | 52% | $1.25 | $10.00 | |||||||||||||||||||||||||||||
| 40 | Grok Build 0.1 0616 | Spacexai | 52% | n/a | n/a | |||||||||||||||||||||||||||||
| 41 | Qwen3.5 397B A17B | Alibaba | 51% | $0.60 | $3.60 | |||||||||||||||||||||||||||||
| 42 | Mistral Medium 3.5 |  Mistral | 51% | $1.50 | $7.50 | |||||||||||||||||||||||||||||
| 43 | LongCat 2.0 | Longcat | 50% | n/a | n/a | |||||||||||||||||||||||||||||
| 44 | GLM 4.6 | Zhipu | 49%reasoning: true | $0.40 | $1.75 | |||||||||||||||||||||||||||||
| 45 | Qwen3.5-122B-A10B | Alibaba | 48% | $0.25 | $1.75 | |||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||
| 46 | DeepSeek V3.2 | DeepSeek | 47%reasoning: true | $0.27 | $0.40 | |||||||||||||||||||||||||||||
| 47 | Kimi K2.5 | Moonshot | 46% | $0.50 | $2.80 | |||||||||||||||||||||||||||||
| 48 | GLM 4.7 | Zhipu | 45% | $0.40 | $1.50 | |||||||||||||||||||||||||||||
| 49 | Qwen3.6 35B A3B | Alibaba | 45% | $0.14 | $0.45 | |||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||
| 50 | DeepSeek V3.1 Terminus | DeepSeek | 45%reasoning: true | $0.27 | $1.00 | |||||||||||||||||||||||||||||
Frequently asked questions
What is the TerminalBench v2.1 benchmark?
A verified release of the Terminal-Bench agentic benchmark: 89 curated real-world tasks (model training, sysadmin, data processing, security, software engineering) an agent must complete in a sandboxed container terminal. It refines v2.0 for bugs, timeouts and reward-hacking robustness, scored by automated verification tests.
Which AI model scores highest on TerminalBench v2.1?
GPT-5.6 Sol (OpenAI) leads with 90%, from $5.00 per 1M input tokens.
How many models are ranked on TerminalBench v2.1?
116 models carry a TerminalBench v2.1 score. Scores come from Artificial Analysis; where a model has a live API price it is verified against LiteLLM and OpenRouter, and models with no current price are listed without one.
Other benchmarks
compare the same models on a different evalEvery weekday
AI moves fast. Here's your debrief.
News, analysis, tools, and more.
For people who build with AI