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
- Skyfall GS 登场:用 Flux 提升 Gaussian Splatting 精修质量 — ducha_aiki · 2026-09-11
- 一万个智能体能否突破反向传播,找到更好的学习算法 — SeunghyunSEO7 · 2026-09-11
- Apodex 发布 TRACES 标准:用 423 个真实问题评测"发现型 AI" — Faheem_uh · 2026-09-11
- 科学没有标准答案:TRACES 用六维度评估 AI 过程而非结果 — Faheem_uh · 2026-09-11
- Apodex 推出 TRACES 基准：不打标准答案，专测 AI 探索未知的能力 — Faheem_uh · 2026-09-11
- Cognition SWE-2 用 KKT 对偶优化长度惩罚，一次 RL 推移 Pareto 曲线 — YouJiacheng · 2026-09-11