arXiv 2026年10月14日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 把评测时长从90分钟延到三小时，并在30项重建任务上显示：只看最终状态通过与否平均得0.221，而按进度阶梯打分平均得0.653。长时程终端智能体测试台 LHTB 2.0 把评测时长从90分钟延到三小时，并在30项重建任务上显示：只看最终状态通过与否平均得0.221，而按进度阶梯打分平均得0.653。Zongxia Li（第一作者）#长时程终端基准2.0#密集进度阶梯#重构任务流水线#智能体持续进展