9 条思考规则在长程智能体任务上的实测:GLM-5.3-Flash 跑 Terminal-Bench 2.0
作者在 Terminal-Bench 2.0 全部 89 个任务上测试了 9 条思考规则:同一模型 GLM-5.3-Flash 配 mini-swe-agent,High thinking 下加规则得 59.6%,不加规则为 52.8%。该成绩高于 Claude Opus 4.6 + Claude Code(58.0%)和 Gemini 3 Pro(56.9%),低于 GPT-5.5 的 82.2%。作者称排行榜分数为多次尝试平均,其结果为单次尝试,仅供参考。