Long-Horizon-Terminal-Bench：前沿模型做长程终端任务平均通过率只有 6.4%

diodefu · 2026-08-29T00:45:26.000Z

一个长程终端任务基准挺值得看：Long-Horizon-Terminal-Bench 测了 17 个前沿模型、46 个需要连续推进的终端任务，平均通过率只有 6.4%。在严格要求“全部完成”的评分下，有 10 个模型直接零通过；失败案例里 79% 是因为超时。即使表现最好的模型也只有 28.3%，说明模型能做出局部看似合理的步骤，但很难把数百步串成最终结果，也呼应了 Chamath 对长程任务可行性的质疑。