Grok 4.5 终端代理基准夺冠
XFreeze · x · 2026-07-15
Grok 4.5 在 Long-Horizon Terminal-Bench 上拿到第一，超过了 Claude Fable 5、Claude Opus 4.8 和 GPT-5.6-sol。
这个基准测试的是：AI agent 能否在 长达 90 分钟、数百步依赖关系的终端操作 中持续推进任务而不丢线。作者称，在 46 个高难任务、18 个前沿模型的对比里，Grok 4.5 取得了 最高平均 reward 0.505。
帖子强调，这说明 Grok 4.5 在复杂的 agentic 工作、真实编码自动化和困难工程任务上表现更强。
所属事件:Grok 4.5 登顶终端代理基准测试(3 条相关)→
「编程与Agent」频道最新
- 开发者晒 AI 编码智能栈：人定方向 Opus 写码 Astra 审查，人类只做审阅 — sh_reya · 2026-10-27
- Baseten 网络课：用自有合并 PR 建 benchmark,按每成功任务成本评估开源模型 — baseten · 2026-10-27
- Thorsten Ball 谈 Agent 工作法：多用评测、多上自动化、放手让 Agent 干 — omarsar0 · 2026-10-27
- 定时运行的 Agent 任务，哪些可以免审批？Reddit 热议信任边界 — MemStrata · 2026-10-27
- 四个值得一试的 MCP 服务器:YouTube 全量字幕搜索等 — Prior_Engineering486 · 2026-10-27
- DeepMind 论文：LLM 无法自行随机采样，需外部传入随机数 — rohanpaul_ai · 2026-10-27