长程终端任务智能体基准
_akhaliq · x · 2026-07-14
这条指向论文 Long-Horizon-Terminal-Bench，主题是测试智能体在长时程终端任务上的能力边界。
论文标题说明作者关注的是：
- 任务是否需要持续多步操作
- 代理在终端环境中能否保持稳定执行
- 如何用稠密奖励式评分来更细致地衡量完成质量
从命名和介绍看，这项工作更像是一个面向 agent 的评测基准/方法，用来系统检验模型在长链路终端任务中的表现，而不是单纯展示某个模型刷榜。
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)→
「编程与Agent」频道最新
- 用 $28 算力让模型给自己造 copilot：他的新模型个人基准 — bucolucas · 2026-10-27
- Agent 中途改计划该被允许吗：真实系统介入时的边界之辩 — wistfulcracker84 · 2026-10-27
- HeyGen 联手 Canva:幻灯片讲者备注自动变数字人讲解视频 — HeyGen · 2026-10-27
- 隐私场景实测：本地 Qwen 3.8 FN 不输云端前沿模型还更快 — dr_lm · 2026-10-27
- Cloudflare Computer 支持 agent 中断恢复，可跳过已完成的非幂等请求 — irvinebroque · 2026-10-27
- LLM Tails 实测省 80% 输入 token：先读后写约束 agent 编码 — savadks1818 · 2026-10-27