01
功能正确性
软件工程与终端
Terminal-Bench 3.0
面向代码库修复、迁移与恢复的可执行软件任务。
参考基准 / 任务方向
Terminal-Bench 3.0 格式
任务内容
在可执行环境中评测软件工作。
任务覆盖配置迁移、事务恢复与应用状态持久化，要求 Agent 在完成修改的同时满足完整系统的行为要求。
交付内容可包括
- 01
- Harbor 格式任务包：Markdown 说明与 task.toml 配置
- 02
- Docker 环境定义、代码与任务输入
- 03
- 参考解与可执行评测程序
如何评估任务
明确结果的评估方式
02
系统行为与集成结果
03
任务产物完整性
与 ASTRAFLUX 合作
你的模型
需要完成什么工作？
告诉我们目标能力、任务类型和交付要求，一起确定合适的项目与代表性任务。
联系我们 norman383@astraflux.space基准名称用于说明参考方向，具体任务范围与交付规格按项目确认。