为修评测而生的 Terminal-Bench Pro：8 领域 400 任务零污染

ROME 团队为解决 agent 评测污染问题推出 Terminal-Bench Pro，包含 8 个领域共 400 个任务，零数据污染风险。该基准提供确定性环境和覆盖全面的测试，作者称现有其他 benchmark 基本已被污染或不可靠，这才是严格 agent 评测应有的样子。