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
- AI 日报:传 OpenAI GPT-Live-1 上 API,Pro 订阅暂停新注册 — koltregaskes · 2026-09-11
- 同题 Echo Maze 实测:三大模型看似成功,代码里藏着同一个 bug — eyishazyer · 2026-09-11
- 新基准一出分数暴跌 70 点:「刷榜」现象如何让跑分失真 — airesearch12 · 2026-09-11
- ChatGPT 竟劝用户「问题太复杂,去试试更笨的回答」 — phido3000 · 2026-09-11
- 有人要建全模型基准分数汇总页 — airesearch12 · 2026-09-11
- 爆料称 Kimi 疑似转发 Claude 冒充自家成绩，DeepSeek 新模型评测反超 — realsohamparekh · 2026-09-11