Long-Horizon-Terminal-Bench：測 agent 在長時序終端任務的極限

HuggingFace 每日論文榜上，一篇名為 Long-Horizon-Terminal-Bench 的研究引起關注。它要處理的問題很實際：現在的 AI agent 在短任務上表現亮眼，但一旦任務拉長、需要幾十甚至上百個步驟在終端環境裡連續操作，成功率往往崩得很快。這個新 benchmark 就是專門用來系統性測量 agent 在這類長時序任務上的極限與失敗模式。

長時序任務是當前 agent 最難啃的骨頭。原因在於誤差會累積——早期一個小判斷失誤，後面每一步都在錯誤的基礎上疊加，最後整條任務歪掉；同時模型還要在長上下文裡記住目標、追蹤已完成的狀態、從中途的錯誤中恢復。一個設計良好的評測，能把「哪一步開始崩」「為什麼崩」量化出來，這對想把 agent 真正投入生產的團隊，比一個漂亮的總分有用得多。

呼應今天另一條把產線 agent 遷移到 GPT-5.6 的實測，可以看出一條清楚的產業主線：大家對 agent 的關注正從「能不能跑起來」轉向「跑長了穩不穩、划不划算」。像 Terminal-Bench 這種針對長時序的評測，正是這個階段最需要的工具。

歸剛點評：這類研究對想用 agent 做事的人是及時雨。很多團隊被 demo 燒到，以為 agent 什麼都能自動化，實際上一遇到要連續操作十幾步的真實任務就翻車。有了專測長時序的 benchmark，至少能在投產前先知道自己的 agent 撐得到第幾步、在哪裡最容易掉鏈子。務實建議：導入 agent 前，先拿貼近自己場景的長任務壓測，別只看廠商挑過的短 demo。