广场
最新
热门
资讯
我的主页
发布
Grok 4.5登顶腾讯混元Agent耐力榜，超六成任务无模型完成
区块律动
2026-07-13 10:55:26
关注
摘要生成中
据动察 Beating 监测，腾讯混元团队联合多所高校发布 LHTB，专门测试 AI Agent 能否在终端里持续完成复杂任务。
基准包含 46 项任务，覆盖软件工程、实验复现、科学计算和多模态分析等领域。每项最长运行 90 分钟，通常需要连续操作数百步。
LHTB 不只看最终成败。任务完成一部分，也会按实际进度给分。隐藏验证器会检查文件、测试结果和程序输出，Agent 自称完成不算。
论文首版测试了 15 个模型。GPT-5.5 完成 7 项，排名第一。每个模型执行一项任务，平均消耗约 990 万 Token，耗时约 85 分钟。
当前公开结果已扩至 20 个模型。Grok 4.5 以平均得分 0.505 登顶，完成 13 项。46 项任务中，仍有 29 项没有任何模型达到完成标准。
多数 Agent 能完成部分步骤，却经常耗尽 90 分钟，或在任务尚未完成时提前收工，无法把复杂任务真正做完。
此页面可能包含第三方内容，仅供参考（非陈述/保证），不应被视为 Gate 认可其观点表述，也不得被视为财务或专业建议。详见
声明
。
赞赏
点赞
评论
转发
分享
评论
请输入评论内容
请输入评论内容
评论
暂无评论
热门话题
查看更多
#
PreIPOs第二期OpenAI认购
113.9万 热度
#
Gate现货增速全球第一
22.3万 热度
#
Solana生态ANSEM暴涨
2200.76万 热度
#
百万充值补贴
2.33万 热度
#
伊朗宣布关闭霍尔木兹海峡
13.63万 热度
置顶
网站地图
Grok 4.5登顶腾讯混元Agent耐力榜，超六成任务无模型完成
基准包含 46 项任务，覆盖软件工程、实验复现、科学计算和多模态分析等领域。每项最长运行 90 分钟，通常需要连续操作数百步。
LHTB 不只看最终成败。任务完成一部分，也会按实际进度给分。隐藏验证器会检查文件、测试结果和程序输出，Agent 自称完成不算。
论文首版测试了 15 个模型。GPT-5.5 完成 7 项，排名第一。每个模型执行一项任务，平均消耗约 990 万 Token，耗时约 85 分钟。
当前公开结果已扩至 20 个模型。Grok 4.5 以平均得分 0.505 登顶，完成 13 项。46 项任务中，仍有 29 项没有任何模型达到完成标准。
多数 Agent 能完成部分步骤，却经常耗尽 90 分钟，或在任务尚未完成时提前收工，无法把复杂任务真正做完。