长时程终端智能体评测基准
_akhaliq · x · 2026-07-14
Long-Horizon-Terminal-Bench 是一个用来测试智能体在长时程终端任务上极限的基准。核心特点是采用基于密集奖励的评分，用更细粒度的方式衡量 agent 在复杂、持续、多步骤任务中的完成情况。
这条信息本质上是在说：当前智能体能力评估不应只看短任务或一次性成功率，而要看它们在长链路终端操作中的稳定性、持续执行能力和中途纠错能力。
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)→
「研究」频道最新
- FLASH 仿真框架：单卡 RTX 5090 上分钟级学会布料折叠 — ChongZzZhang · 2026-10-26
- LEMON 监控器:从注意力图零样本识别未见过的 LLM 幻觉与越狱 — yoavartzi · 2026-10-26
- EMNLP 主题演讲背后：用语言模型「模拟学习者」生成儿童语言习得新假设 — najoungkim · 2026-10-26
- EMNLP 2026 主题演讲背后的论文：用 bigram 模拟语言习得 — najoungkim · 2026-10-26
- 把 DeepLIFT 重写为独立计算图：输入序列直接输出归因结果 — jmschreiber91 · 2026-10-26
- UCLA 论文:扩散精力与接受宽容度双旋钮,拓宽投机解码速度-质量帕累托前沿 — UCLA · 2026-10-26