Long-Horizon-Terminal-Bench 2.0: Automating Diverse Task Construction and Measuring Sustained Agent Progress
·
0 次浏览
·来源: ArXiv AI
arXiv:2610.14146v1 发布类型: 新版摘要: 长期终端基准测试用于衡量代理是否能够在具有过程奖励的延伸工作流程中保持进展,而不仅仅是最终状态是否通过二进制检查。我们提出了 Long-Horizon-Terminal-Bench 2.0 (LHTB 2.0),这是一个扩展的基准测试,旨在 ...
arXiv:2610.14146v1 发布类型: 新版摘要: 长期终端基准测试用于衡量代理是否能够在具有过程奖励的延伸工作流程中保持进展,而不仅仅是最终状态是否通过二进制检查。我们提出了 Long-Horizon-Terminal-Bench 2.0 (LHTB 2.0),这是一个扩展的基准测试,旨在 ...
arXiv:2610.14146v1 Announce Type: new Abstract: Long-horizon terminal benchmarks measure whether an agent can sustain progress through extended workflows with process rewards, not only whether its final state passes a binary check. We present Long-Horizon-Terminal-Bench 2.0 (LHTB 2.0), an extension ...