8月29日消息，Terminal-Bench发布4.0，重新校准Agent执行任务时的时间、CPU和内存，并修复19个任务、移除8个存在饱和、拒答、公开解法或质量问题的任务。所有任务的最长执行时间统一到8小时，主要是减少超时和环境问题对成绩的干扰。最新榜单里，Opus5+ClaudeCode以51.8%排第一，Fable5以44.5%第二。GLM-5.3+ClaudeCode拿到41.8%，冲到第三，超过GPT-5.6Sol+Codex的37.3%。前三名里，GLM-5.3是唯一不是Anthropic的模型。在Terminal-Bench3.0中，GLM-5.3还是32.4%排第四，落后GPT-5.6Sol的34.6%；到了4.0，GLM-5.3升到第三，反过来领先Sol4.5个百分点。