基准评测
评测真实分发版本
我们的基准评测以可检验为核心设计：
- 评测真实分发的构建版本。 每次评测均基于固定且公开可下载的 Ante 发行版运行，与
ante update安装的二进制完全一致（例如0.preview.43）。没有专用于评测的分支，也没有针对 Benchmark 定制的专用提示词。 - 运行记录完全可审计。 每个结果均链接其原始 Harbor 运行记录，任何人都可以审阅每个 Trial 运行过程。
- 遵循官方严格限制。 所有评测均采用与 Terminal-Bench 官方排行榜相同的参数：89 个任务、每个任务 5 次试验，并严格限制超时时间与硬件资源。
- 结果实时持续发布。 我们持续在 antigma.ai/eval 公布最新的评测数据。
Terminal-Bench 2.1：统一 Harness 评测各模型
我们评测的是 Agent Harness 底座能力，而非仅仅评测大模型本身。因此，我们公布了 Ante 搭配不同模型时的综合表现。在所有参与评测的模型中，Ante 均取得了同模型智能体排名第一（#1 same-model agent）：在相同模型下，没有其他 Harness 跑出比 Ante 更高的准确率。
实时看板重点数据（截至 2026 年 6 月）：
| 模型 | 准确率 | 同模型排名 |
|---|---|---|
| GLM 5.2 | 74.6% ±2.06 | #1 |
| MiMo V2.5 | 65.8% ±2.30 | #1 |
| DeepSeek V4 Pro | 65.8% ±2.25 | #1 |
| DeepSeek V4 Flash | 62.7% ±2.29 | #1 |
| MiniMax M3 | 62.1% ±2.33 | #1 |
两项值得关注的事实：
- Ante + GLM 5.2 达到 74.6% 准确率，使开源权重模型直接位列公开验证榜单的前 7 名。
- Ante + DeepSeek V4 Pro 达到 65.8%：在完整的 445 次 Trial 评测中总推理费用仅约 $36，准确率媲美公开榜单上的顶尖闭源前沿模型 Harness 组合。
优秀的高性能 Harness 能够将前沿能力下放：让开源和高性价比模型完成以往只有昂贵前沿模型才能胜任的工作。
历史战绩
- Terminal Bench 1.0 排行榜第一名（2025 年）
- Terminal Bench 2.0 验证 Agent 排行榜第一名 —— 且在基于 Gemini 的 Agent 中位列第一（2026 年 2 月）
Terminal Bench 1.0. Ante 于 2025 年 9 月 30 日在公开排行榜位列第一。
Terminal Bench 2.0. Ante 于 2026 年 1 月 6 日在验证 Agent 中排名第一（总榜第二，且为展示榜单中排名最高的 Gemini 系列 Agent）。
我们将 Terminal Bench 与 Harbor 作为主要的外部基准评测体系。Harbor 与 Terminal Bench 团队秉承严谨、扎实的研究精神，不追逐噱头。
为什么选择 Terminal Bench：
- 严谨规范。 任务规格明确，尽可能采用确定性评分，且在隔离环境中执行。
- 聚焦核心编码能力。 智能体能否在真实的 Shell 环境中完成实际任务？读取上下文、推理、行动、验证 —— 这正是 Ante 围绕其构建的核心闭环。
资源占用分析
能力表现只是其中一方面；运行成本是另一大关键。请查阅资源占用对比，查看在 Docker 严格限制下 20 个并行任务的 CPU、内存和磁盘占用实测（Ante vs Claude Code vs Opencode）。
评测原则
智能体的大部分智慧源于模型 —— 但 Agent Harness 是连接人类与 AI 之间的关键底座。
我们评测的是 Agent 底座 激发并转化模型能力的效果 —— 而非仅仅评测模型自身。
优化 Harness 底座，而非优化特定提示词。 当评测得分需要提升时，我们专注于优化智能体运行底座 —— 运行时架构、调度编排、可靠性系统 —— 而非针对特定 Benchmark 调整提示词。通过系统底层优化带来的性能提升具有持久性，而仅靠调优提示词则容易脆弱失效。 尽早评测，从简出发。 基于真实失败案例提炼出的精简评测集，远胜于人工构造的庞大测试用例。 隔离与可复现。 每次评测均在干净环境下启动。当得分下降时，能够准确发现真实的回归问题。