Backboard CLI登顶Terminal-Bench测评

本周我们向官方 Terminal-Bench 2.1 排行榜提交了 Backboard CLI。数据如下：

准确率：85.4% ± 0.8%

覆盖范围：89 个任务 × 5 次尝试 = 445 次试验，全部纳入

模型：通过 AWS Bedrock 调用 Claude Opus 4.8

完整运行总成本：$280.72

本次提交超过了排行榜上所有已发布的参赛作品。当前进度最快的已发布结果分别是 Claude Code（Fable 5）83.8% ± 1.2% 和 Codex（GPT-5.5）83.1% ± 1.1%。我们的 PR 已开放并等待审核，所有试验日志均已公开。

Terminal-Bench 2.1 衡量的是开发者实际做的事情：真实终端环境中的多步骤任务。构建失败、依赖混乱、约束条件下的调试。这是目前最具可信度的 Agent 编程基准测试之一。

排行榜的顶级选手都是由开发底层模型的实验室构建的 Agent。Claude Code 是 Anthropic 自家的 Agent 运行在自家模型上。Codex 是 OpenAI 自家的 Agent 运行在自家模型上。

Backboard CLI 超越了他们双方。而且是在一个我们并不生产的模型上做到的。

这才是重点。Harness 决定成败。一个 Agent 如何分解任务、如何委托给有边界的子上下文、如何管理进入上下文窗口的内容，决定了你从一个模型中能榨取出多少能力。我们的 CLI 建立在递归编程引擎之上，围绕的正是这一点，这意味着性能并不绑死在任何单一的前沿模型上。同样的 harness，换一个模型，依然能打。我们已经在 GLM 5.2（一个完全开源的模型）上运行了同样的 harness，在该基准上得分 72%。如果你在乎成本，或者在乎在自己掌控的基础设施上运行编程 Agent，这很重要。

没有 cherry-picking，没有重新造数据，没有覆盖：

同一 Agent 配置下五个顺序任务

固定数据集（SHA-256 验证），默认设置

全部 445 次试验纳入报告数字

出错的试验按零奖励计分

完整日志已上传并公开

基准测试只有在你能核查时才有意义。来查我们的：PR #200。

我们即将开源 CLI

Backboard CLI 将要开源。很快。

我们构建的是与模型无关的基础设施。整个thesis就是：你不应该被锁死在某个实验室、某个模型或某个供应商的 Agent 上。开源 CLI 就是这个thesis的实践：拿走这个 harness，指向你想用的模型，在你想要的地方运行它。

关注这个空间，或者 follow 我们获取发布公告。

你不必等到仓库开放。CLI 现在就可以在 backboard.io/cli 获取。

Backboard 是一家加拿大公司，构建全栈、与模型无关的 AI 基础设施：在 LoCoMo 和 LongMemEval 上记忆排名第一路由跨越 17000+ 模型、Agent 混合 RAG，以及一个 API key背后的有状态线程。CLI 是这个平台的其中一个界面。

使用任何模型。保持你的选择开放。更快交付。

来源：Terminal-Bench 2.1 排行榜 | 排行榜提交 PR #200