一句话看懂：arXiv 上一份新论文提出长时程终端基准测试 LHTB 2.0，通过扩展任务和密集进度评分，发现只看最终结果会严重低估智能体在执行过程中的实际进展。
事件核心：发生了什么
2026 年 10 月 14 日，arXiv cs.AI 发布了一篇关于 Long-Horizon-Terminal-Bench 2.0（简称 LHTB 2.0）的论文摘要。该基准测试从 46 个原始任务扩展至 77 个任务，覆盖 13 个领域和 8 种任务类型，评估时长从 90 分钟延长到三小时，并每 30 分钟记录验证器检查点。
论文通过系统化重建流程生成扩展任务：从已有的科学或工程产物出发，用参数化参考实现产生多个场景，公布其中六个作为行为证据，保留三个用于评估，同时设计密集进度阶梯来奖励部分进展。在来自 15 个前沿模型的 1,145 次模型-任务运行中，GPT-6-astra 以密集平均奖励 0.69 领先，GPT-5.6-sol 为 0.67。在 30 个重建任务上，二元验证器平均分仅 0.221，而密集阶梯得分达 0.653。
为什么重要
传统基准测试通常只检查最终状态是否通过，这种二元评估会丢失大量中间过程信息。LHTB 2.0 引入的过程感知评估方式，能衡量智能体在数小时工作流中能否持续取得实质进展，而不是靠一次结果定胜负。论文数据显示，只看最终结果会浪费掉约三分之二的进步信号，这给智能体能力评估和训练奖励设计提供了新思路。
从行业角度看，若这类密集奖励信号被广泛采用，将影响模型训练时的强化学习策略、推理能力的评价标准，以及企业采购时对智能体可靠性的判断依据。目前公开信息显示，该基准已修正原有任务和评估基础设施的缺陷，但论文全文实验尚未核验。
对用户/开发者/创作者的影响
对于开发者，LHTB 2.0 可能成为评估代码智能体、自动化运维或复杂任务执行能力的参考工具。密集进度评分意味着模型训练可以更细粒度地奖励中间步骤，而非只奖励最终成功。对于使用 AI 编程助手或自动化工作流的用户，这意味着未来产品可能更注重长时程任务中的稳定性，比如跨小时的调试、部署或数据分析流程。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于创作者和企业采购者，该基准强调的持续进展和过程可靠性与实际生产环境更接近。如果后续有开源实现或 API 可用，团队可以用它来比较不同闭源或开源模型在长任务中的实际表现，而不是仅依赖短对话或单轮问答的分数。
值得关注的后续
一是论文是否被同行评审或后续全文实验是否公开详细数据；二是密集进度阶梯能否被其他智能体基准借鉴，形成新评估标准；三是相关模型团队是否会根据这类过程奖励调整训练方案，进而影响产品级 API 的行为表现。
来源：arXiv cs.AI
