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
- 浏览器主线程很贵:动画卡顿的真正成本与前端优化实践 — jh3yy · 2026-09-11
- 受 OpenAI 万机群启发，开发者开源 agent 众包解题平台 — Benjaminsen · 2026-09-11
- 开源 Mac 应用 Lucid：只在跑 AI 时阻止笔记本休眠 — Pitiful_Hedgehog_600 · 2026-09-11
- 20kb 函数匹配达成,banteg 召集 AI 逆向 Snail Mail 剩余 20 个挑战 — banteg · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- Kimi K2.8 Preview 上线：性能接近 K3、1M 上下文全档开放 — teortaxesTex · 2026-09-11