arXiv发布LHTB 2.0智能体基准测试

发生了什么

据arXiv cs.AI报道，Long-Horizon-Terminal-Bench 2.0 (LHTB 2.0) 发布，包含77个任务和13个领域。该基准测试通过系统化重建任务管道扩展了原有任务，将评估时间从90分钟延长至3小时，并记录验证器检查点以测量持续进展。在1,145次模型运行中，GPT-6-astra以密集平均奖励0.69领先。