长时程终端智能体测试台扩到77项任务：只看最终状态会丢掉中间进度

长时程终端智能体测试台 LHTB 2.0 把任务集扩到77项，覆盖13个领域和八种任务类型，并把单次评测时长从90分钟延长到三小时，每30分钟记录一次验证器检查点。 此前的 Long-Horizon-Terminal-Bench 有46项任务，评测时长上限为90分钟，只能看最终状态是否通过。 2.0 保留原有46项任务，修正任务与评测基础设施缺陷并扩展其中31项，新增任务由系统化的重建任务流水线生成。

评测不再只给通过或不通过，而是用密集进度阶梯给部分进展打分，同时避免智能体记住公开输出。 只做结果判定时，中间步骤做对多少不会被计入分数。 在30项重建任务上，二元验证器得分平均0.221，密集阶梯得分平均0.653。

评测覆盖15个前沿模型的1,145次模型-任务运行，GPT-6-astra 以密集平均奖励0.69领先，GPT-5.6-sol 为0.67。 密集平均奖励之外，还统计达到 R 至少0.95的任务数，用于区分稳定完成与偶发通过。 GPT-6-astra 有37项任务达到该阈值，GPT-5.6-sol 有32项。

这则报道依据的是摘要级材料，未覆盖完整论文。已展示的范围是：LHTB 2.0 在保留46项原任务的基础上修正缺陷并扩展31项，共77项任务、13个领域、八种任务类型，评测时长三小时、每30分钟一个验证器检查点，并在15个前沿模型的1,145次运行上给出密集平均奖励与阈值任务数。适合关注智能体长时程执行评测的研究人员与工程师阅读。

摘要未说明重建任务流水线中参数化参考实现的具体形式，也未给出各领域、各任务类型上的分项结果。密集阶梯得分与二元得分之间的差距只在30项重建任务上报告，其他任务类型是否呈现同样差距，材料没有交代。