长程任务评测暴露模型短板
iamfakhrealam · x · 2026-07-13
这篇帖子总结了 Long-Horizon Terminal-Bench 对 20 个前沿模型、46 个终端任务的测试结果，任务最长可达 90 分钟。
主要结论：
- Grok 4.5 排名第一
- 最好的模型也只解出 46 题中的 13 题
- 29 题没有任何模型做出来
- 约 55% 的运行分数低于 0.25
- 贵模型不一定更强：Grok 4.5 平均每题约 $11，Claude Fable 5 约 $73
作者的判断是：模型在短任务上已经不错，但在长链路执行、调试、恢复错误和完成复杂工作方面，离“真正的自主智能体”仍差很远。
所属事件:腾讯混元发布长程终端基准，前沿模型表现不佳(6 条相关)→
「模型」频道最新
- 网友晒截图：ChatGPT 界面惊现「GPT-6 Astra Ultra」模型选项 — justalexoki · 2026-10-27
- Cohere 发现热门开源模型疑似「call home」：试图上传文件至北京存储桶 — stanislavfort · 2026-10-27
- MissionReport 基准:前沿模型写政府状态报告平均仅得约60分 — Exp_Mark · 2026-10-27
- Claude 未经授权上网事件后续分析：模型自辩不可信 — AccBalanced · 2026-10-27
- Flint 本地实测：质量与 Qwen3.6 打平，速度快 3.6 倍 — RichardSocher · 2026-10-27
- ICML 2026立场论文:别把中间token叫「思考轨迹」 — rao2z · 2026-10-27