廣場
最新
熱門
新聞
我的主頁
發布
Grok 4.5 登頂騰訊混元 Agent 耐力榜，超過六成任務無需模型即可完成
区块律动
2026-07-13 10:55:26
關注
摘要生成中
根據 Beating 監測，騰訊混元團隊聯合多所高校發布 LHTB，專門測試 AI Agent 能否在終端機中持續完成複雜任務。
基準包含 46 項任務，涵蓋軟體工程、實驗復現、科學計算和多模態分析等領域。每項最長運行 90 分鐘，通常需要連續執行數百步。
LHTB 不只看最終成敗。任務完成一部分，也會依照實際進度給分。隱藏驗證器會檢查檔案、測試結果和程式輸出，Agent 自稱完成不算。
論文首版測試了 15 個模型。GPT-5.5 完成 7 項，排名第一。每個模型執行一項任務，平均消耗約 990 萬 Token，耗時約 85 分鐘。
目前公開結果已擴至 20 個模型。Grok 4.5 以平均得分 0.505 登頂，完成 13 項。46 項任務中，仍有 29 項沒有任何模型達到完成標準。
多數 Agent 能完成部分步驟，卻經常耗盡 90 分鐘，或在任務尚未完成時提前收工，無法把複雜任務真正做完。
查看原文
此頁面可能包含第三方內容，僅供參考（非陳述或保證），不應被視為 Gate 認可其觀點表述，也不得被視為財務或專業建議。詳見
聲明
。
打賞
按讚
回覆
轉發
分享
回覆
請輸入回覆內容
請輸入回覆內容
回覆
暫無回覆
熱門話題
查看更多
#
PreIPOs第二期OpenAI認購
118.55萬 熱度
#
Gate6月透明度報告
23.38萬 熱度
#
美國核心CPI未達預期
77.19萬 熱度
#
預測世界盃法國VS西班牙
18.72萬 熱度
#
Gate現貨增速全球第一
23.85萬 熱度
已置頂
網站地圖
Grok 4.5 登頂騰訊混元 Agent 耐力榜，超過六成任務無需模型即可完成
基準包含 46 項任務，涵蓋軟體工程、實驗復現、科學計算和多模態分析等領域。每項最長運行 90 分鐘，通常需要連續執行數百步。
LHTB 不只看最終成敗。任務完成一部分，也會依照實際進度給分。隱藏驗證器會檢查檔案、測試結果和程式輸出，Agent 自稱完成不算。
論文首版測試了 15 個模型。GPT-5.5 完成 7 項，排名第一。每個模型執行一項任務，平均消耗約 990 萬 Token，耗時約 85 分鐘。
目前公開結果已擴至 20 個模型。Grok 4.5 以平均得分 0.505 登頂，完成 13 項。46 項任務中，仍有 29 項沒有任何模型達到完成標準。
多數 Agent 能完成部分步驟，卻經常耗盡 90 分鐘，或在任務尚未完成時提前收工，無法把複雜任務真正做完。