**Terminal Bench 4.1 评测审计：23 项任务存在评分或数据问题**

_Terminal-Bench 4.1: 23 of 66 tasks have scoring or data problems_

> Vetto Research 团队对 Terminal Bench 4.1 的 66 项任务进行了全面审计，发现 23 项任务（占比 34.8%）存在 60 项严重问题。这些问题包括评分错误、数据不一致以及可被利用的漏洞。尽管 4.1 版本通过隔离代码执行环境提升了可复现性，但仍有部分任务未能有效区分正确与错误的工作，或存在不公平的评分机制。

**来源信息**
- **来源**：Hacker News：AI 热帖
- **分类**：ai-models
- **发布时间**：2026-11-10 22:51（北京时间）
- **原文**：[打开原文](https://vetto.ai/companies/terminal-bench-4-audit)