터미널 벤치 2.1

터미널 벤치 2.1은 AI 에이전트가 컴퓨터의 명령줄 화면(터미널)에서 실제로 작업을 얼마나 잘 끝내는지 재는 시험이다. 대화창에서 질문에 척척 답하는 것과, 낯선 사무실에 던져져 서류를 찾고 정리하고 순서대로 처리하는 건 전혀 다른 능력인데, 이 시험은 후자를 측정한다.

비유하자면 요리 자격증 시험 같은 것이다. 재료 이름을 아는지 묻는 게 아니라, 실제로 주방에 서서 여러 요리를 순서대로 완성해내는지를 채점한다. 코드를 짜고, 명령을 실행하고, 결과를 확인해 다음 단계를 스스로 결정하는 과정 전체가 평가 대상이다.

점수가 높을수록 이 모델을 기반으로 한 자동화 도구가 사람 손을 덜 타고 복잡한 작업을 끝까지 해낼 가능성이 크다는 뜻이다. 다만 이 시험 하나가 모델의 모든 능력을 대변하지는 않는다.

기사에서는 "딥시크 V4-Pro가 Terminal Bench 2.1에서 87.9점을 받아 Opus-4.8(85.0점)을 앞섰다"처럼 모델 간 순위를 비교할 때 등장한다. 흔한 오해는 이 점수가 모델의 전반적인 똑똑함을 뜻한다고 생각하는 것인데, 실제로는 터미널 안에서 작업을 끝내는 실무 능력만을 좁게 측정한 값이다. 같은 모델이라도 다른 벤치마크(HLE, Cybergym 등)에서는 순위가 뒤바뀌기도 한다.

코딩 에이전트 기능이 있는 도구를 쓴다면, 한 번에 끝나는 단순 질문 대신 여러 단계로 이어지는 작업을 맡겨보자. 예를 들어 "이 폴더에서 로그 파일을 찾아 오류만 걸러내고 날짜별로 압축 파일을 만들어줘" 같은 프롬프트를 주고, 에이전트가 중간에 막히지 않고 끝까지 스스로 진행하는지 지켜보면 이 시험이 재려는 능력을 체감할 수 있다.