长周期终端任务评测：大模型仍难胜任
iamfakhrealam · x · 2026-07-13
Long-Horizon Terminal-Bench 对 20 个前沿模型进行了 46 项终端任务测试，每项限时 90 分钟。结果显示，表现最好的模型也仅解决 13 项，29 项任务无模型能解决，约 55% 的运行得分低于预期。这表明大模型在处理长周期真实世界任务时依然面临挑战。
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
- Engram 随机读取不适合 SSD，CPU 内存低延迟共享或成正解 — bookwormengr · 2026-09-11
- 曝 Meta Muse Agent 内置邀请码逻辑,或携额外免费额度上线 — testingcatalog · 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
- Anthropic 调整年龄验证,Claude 不再向未成年人开放 — Muhammad523 · 2026-09-11