TerminalBench

這篇論文真正戳破的，不是 agent 會不會作弊這種老話，而是很多 terminal benchmark 的 verifier 本身就是可被優化、可被鑽洞的 reward surface；一旦驗證邏輯沒把任務本質釘死，高分就可能是在量測 exploit skill，而不是實作能力。