腾讯 Hunyuan 团队联合多家机构,在 Hugging Face 论文榜 7 月 13 日登顶,带来 Long-Horizon-Terminal-Bench(LHTB)—— 一套专为「长程终端 Agent」设计的评测体系,直指当前 Agent 评测的盲区。 现有 Terminal-Bench 类基准多停留在分钟级、单步成功判定,既给不出中间过程信号,也让绝大部分探索动作沦为「无奖励试错」。LHTB 的核心设计是「稠密分级」:46 个长程任务覆盖实验复现、软件工程、多模态分析、交互游戏、科学计算 9 大类,每题被拆成可单独打分的子任务,既能拿到部分分,也能让 Agent 看到自己卡在哪一步。 代价也很直接:平均每个任务 9.9M token、231 episode、85.3 分钟执行时间——比 SWE-Bench 类基准高出 1-2 个数量级。15 个前沿模型参与横评,即便最强模型也只跑出 15.2% pass@1(0.95 阈值)与 10.9% pass@1(满分阈值),全场均值只有 4.3% 和 1.7%。 这套数字暴露的不是「模型不够强」,而是「长程任务的复合失败模式」:在长上下文管理 + 规划 + 调试三层耦合下,任何一环出错都会拖垮整条链。作者同步开源了评测、Agent 框架与失败模式分类,等于把「下一个 SWE-Bench」的入场券摆到了台面——对正在押注 Coding Agent 的厂商来说,这份榜单早晚要正面回应。