LHTB 2.0 发布：长时程终端智能体基准扩至 77 任务
原文标题：Long-Horizon-Terminal-Bench 2.0: Automating Diverse Task Construction and Measuring Sustained Agent Progress
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文发布 Long-Horizon-Terminal-Bench 2.0，保留原 46 个任务并修复缺陷、扩展 31 个任务，共 77 个任务覆盖 13 个领域。评测时长从 90 分钟延长至 3 小时并每 30 分钟记录检查点，用稠密进度阶梯奖励部分进展。在 15 个前沿模型的 1145 次运行中，GPT-6-astra 以稠密平均奖励 0.69 领先，GPT-5.6-sol 为 0.67。
- 问题
- 长时程终端智能体评测只看最终二元结果，无法衡量运行中的持续进展。
- 方法
- 保留原46任务并修复缺陷、扩展31个任务，评测时长延至3小时、每30分钟记录检查点，用稠密进度阶梯奖励部分进展。
- 结果
- 15个前沿模型1145次运行中，GPT-6-astra稠密平均奖励0.69领先，GPT-5.6-sol为0.67；30个重建任务二元均分0.221而稠密阶梯均分0.653。
- 影响
- 做终端Agent的团队应改用稠密进度指标，否则会低估部分完成的能力并误判模型。
深读 · 结论先行AI 生成展开看要点与影响 ↓
LHTB 2.0扩至77任务、评测时长延至3小时，GPT-6-astra以0.69稠密奖励领先。
- •保留原46个任务并修复缺陷，扩展31个，共77个任务覆盖13个领域、8种任务类型
- •评测时长从90分钟延长至3小时，每30分钟记录验证器检查点
- •用稠密进度阶梯奖励部分进展，防止记忆公开输出
- •15个前沿模型1145次运行中，GPT-6-astra稠密平均奖励0.69、37个任务R≥0.95领先
- •GPT-5.6-sol以0.67、32个任务紧随；30个重建任务上二值评分均值0.221而稠密阶梯0.653
为什么重要：长时程终端智能体评测从二值判定转向过程奖励，对衡量agent持续进展能力的方法论有推进作用。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。