SuperCLUE-Terminal 是面向 AI Agent 终端操作能力的中文化实战测评基准。参考 Terminal-Bench-2.0 的任务组织方式，由代码专家结合本土开发实践设计真实终端任务，重点考察大模型在驱动智能体框架时对中文需求的理解、任务规划、工具调用、文件修改、错误排查与最终交付能力。测评固定使用 Claude Code 作为智能体框架，以此为标准平台，横向对比评测各模型的核心能力。

每道测评题目均需模型经历 50–110轮 的多轮对话交互，完整运行时长约为 半小时至一个半小时，在此过程中逐步完成编程任务的分析、修改与验证。

本次测评新增 DeepSeek-V4-Pro-0813，与其他参测模型进行横向比较。

相关文章链接：

智能体终端任务测评基准方案发布！SuperCLUE-Terminal

智能体终端编程中文测评发布！Kimi K3获61分、DeepSeek V4 Flash得46分 | SuperCLUE-Terminal

DeepSeek-V4-Pro-0813(max) 以 51.52 分位居全场第二，在 1.42 元/题的成本下进入“超值领航者”象限，展现出较强的能力—成本平衡。

• 总分位居全场第二

  DeepSeek-V4-Pro-0813(max)  在测评中获得 51.52 分，仅次于 Kimi-K3(max) 的 60.61 分；同时高于 GLM-5.2(max) 的 48.48 分和 DeepSeek-V4-Flash-0731(max) 的 46.46 分，

• 低价高分，成本显著低于高分模型

  DeepSeek-V4-Pro-0813(max) 的单题价格为 1.42 元，约为 Kimi-K3(max) 19.63 元的十四分之一、GLM-5.2(max) 23.30 元的十六分之一；在得分高出 GLM 3.04 分的同时，API 成本明显更低。不过，DeepSeek-V4-Flash-0731(max) 和 DeepSeek-V4-Pro-Preview(max) 的价格更低，分别为 0.64 元和 0.68 元，DeepSeek-V4-Pro-0813(max) 的优势主要体现在更高的任务完成率。

• 同系列模型形成清晰梯度

  DeepSeek系列均处于低价高分区域，其中DeepSeek-V4-Pro-0813(max) 以更高价格换取了 51.52 分的同系列最高成绩，适合更重视复杂终端任务完成率、同时希望控制使用成本的场景。