Terminal-Bench 2 Verified

Terminal-Bench 2 Verified 是托管在 Hugging Face 的 Terminal-Bench 2 已验证子集。它与 Terminal-Bench 2 使用相同的任务执行与验证器流程，通常搭配 terminus2。

工作原理

加载任务。 AgentCompass 克隆 Hugging Face 数据集，并在加载任务目录前拉取其中的 Git LFS 对象。
运行 agent。 Recipe 准备每个任务的容器镜像和工作区，随后终端 Harness 处理任务指令。
验证结果。 Harbor 验证器运行 tests/test.sh；奖励为 1 时记录为 correct。

加载数据集的进程必须安装 git-lfs，否则无法取得已验证任务集的 LFS 资源。

参数

使用默认数据集运行全部任务时，无需传入 --benchmark-params。需要筛选任务或调整指标聚合时，使用 Benchmark 共享参数。运行和评测的超时与倍率通过 --execution-params 配置，见运行控制。

运行示例

agentcompass run 的三个位置参数依次为 Benchmark、Harness 和 Model。以下命令使用 terminal_bench_2_verified，Harness 的选择见下文。运行前请确认本地 Docker 可用，并设置 MODEL_NAME、MODEL_BASE_URL 和 MODEL_API_KEY，分别指定被测 Model、API 地址和密钥。

推荐 Harness

推荐使用终端 agent terminus2。

冒烟测试（单条跑通）
自定义参数
AgentCompass 推荐配置

运行 filter-js-from-html 一条任务，验证容器准备、推理和评分的完整链路，其余参数使用默认值。

agentcompass run \
  terminal_bench_2_verified \
  terminus2 \
  "$MODEL_NAME" \
  --env docker \
  --benchmark-params '{
    "sample_ids": ["filter-js-from-html"]
  }' \
  --model-base-url "$MODEL_BASE_URL" \
  --model-api-key "$MODEL_API_KEY"

评测默认数据集的全部任务，并提高推理和评测超时倍率，适用于 Model 响应较慢或工具执行耗时较长的环境。

agentcompass run \
  terminal_bench_2_verified \
  terminus2 \
  "$MODEL_NAME" \
  --env docker \
  --execution-params '{
    "evaluation_timeout_multiplier": 8,
    "run_timeout_multiplier": 16
  }' \
  --model-base-url "$MODEL_BASE_URL" \
  --model-api-key "$MODEL_API_KEY"

AgentCompass 推荐配置进行完整评测。model 服务状况、部署实例数、任务并发数或 model 能力等导致任务耗时增加时，可通过 --execution-params 设置 evaluation_timeout_multiplier 和 run_timeout_multiplier。

agentcompass run \
  terminal_bench_2_verified \
  terminus2 \
  "$MODEL_NAME" \
  --env docker \
  --task-concurrency 16 \
  --harness-params '{
    "max_turns": 300
  }' \
  --execution-params '{
    "run_timeout_seconds": 14400
  }' \
  --model-base-url "$MODEL_BASE_URL" \
  --model-api-key "$MODEL_API_KEY"

其他可选 Harness

codex 和 claude_code 是其他两个可选 Harness。运行时传入 --recipe terminalbench2_verified_docker_ac 可使用 AgentCompass 的专用镜像。它额外提供了 Node.js、npm、curl、wget 等下载依赖，方便运行 Codex、Claude Code 等需要这些依赖的 Harness。以下命令均评测完整数据集；运行 Codex 时，模型接入信息须对应 OpenAI Responses API，运行 Claude Code 时须对应 Anthropic Messages API。

使用官方镜像运行
使用 AgentCompass 镜像

不传 --recipe 即使用官方任务镜像。它不包含节点环境引导依赖，因此需显式传入对应安装命令。

# Codex
agentcompass run \
  terminal_bench_2_verified \
  codex \
  "$MODEL_NAME" \
  --env docker \
  --task-concurrency 16 \
  --harness-params '{
    "install_command": "apt-get update && apt-get install -y curl ca-certificates && curl -fsSL https://deb.nodesource.com/setup_20.x | bash - && apt-get install -y nodejs && npm install -g @openai/codex"
  }' \
  --model-base-url "$MODEL_BASE_URL" \
  --model-api-key "$MODEL_API_KEY" \
  --model-api-protocol openai-responses

# Claude Code
agentcompass run \
  terminal_bench_2_verified \
  claude_code \
  "$MODEL_NAME" \
  --env docker \
  --task-concurrency 16 \
  --harness-params '{
    "install_command": "apt-get update && apt-get install -y curl ca-certificates && curl -fsSL https://deb.nodesource.com/setup_20.x | bash - && apt-get install -y nodejs && npm install -g @anthropic-ai/claude-code"
  }' \
  --model-base-url "$MODEL_BASE_URL" \
  --model-api-key "$MODEL_API_KEY" \
  --model-api-protocol anthropic

传入 --recipe terminalbench2_verified_docker_ac 即可指定 AgentCompass 的专用镜像，无需显式传入对应安装命令。

# Codex
agentcompass run \
  terminal_bench_2_verified \
  codex \
  "$MODEL_NAME" \
  --env docker \
  --recipe terminalbench2_verified_docker_ac \
  --task-concurrency 16 \
  --model-base-url "$MODEL_BASE_URL" \
  --model-api-key "$MODEL_API_KEY" \
  --model-api-protocol openai-responses

# Claude Code
agentcompass run \
  terminal_bench_2_verified \
  claude_code \
  "$MODEL_NAME" \
  --env docker \
  --recipe terminalbench2_verified_docker_ac \
  --task-concurrency 16 \
  --model-base-url "$MODEL_BASE_URL" \
  --model-api-key "$MODEL_API_KEY" \
  --model-api-protocol anthropic

评测结果

通用结果说明见运行目录、汇总成绩和单题文件与公共字段。

评分指标

Terminal-Bench 2 Verified 的主指标是二元 correct，记录前文验证流程的通过判定；验证器奖励恰好为 1 时记为 true，其他有效奖励值记为 false，不提供部分分。默认配置下，每题尝试一次，总体成绩为有效计分任务的通过率，取值为 0–1，越高越好。多次尝试、分类聚合和计分异常的处理见指标与聚合。

单题结果与评分依据

meta.benchmark 下的 eval_raw_data 保存 Harbor 验证器的判分依据：

字段	内容
`verify_result`	验证器原始结果；其中 `rewards` 的 `reward` 是生成通过判定的数值依据，有结果时才提供。
`testcase_output`	验证器的 `test-stdout.txt` 内容，包含测试输出。
`verifier`	验证阶段的开始与结束时间。
`error`	验证器发生异常时的诊断信息。

使用 AgentCompass

模块

其他功能

工作原理

参数

运行示例

推荐 Harness

其他可选 Harness

评测结果

评分指标

单题结果与评分依据

​工作原理

​参数

​运行示例

​推荐 Harness

​其他可选 Harness

​评测结果

​评分指标

​单题结果与评分依据

工作原理

参数

运行示例

推荐 Harness

其他可选 Harness

评测结果

评分指标

单题结果与评分依据