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
- 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