Long-Horizon Terminal-Bench
Tencent HY / Lehigh 等 / 程式設計 · 在較長時間內持續使用終端,完成複雜工程與工具任務。
在 888news 中觀察中
依據預算不參與排序
上游數據時間待核實
最近成功同步尚未開始採集
它測什麼,怎麼測
90 分鐘、2 小時和 3 小時預算分別比較;修復前後判題協議不能混排,也不能把不同 Agent 的最好結果當統一模型成績。
如何使用這份依據
候選觀察:等待明確標註修復協議的新批次,現有舊分不自動採集到公開榜,也不計分;不據此斷言每條舊結果都利用了漏洞。
評測局限與數據署名
官方披露過判題資訊洩漏;當前不能證明已有成績屬於隔離判題後的同一協議。部分任務與其他專業評測的來源重疊待核。
數據許可:Apache 2.0 · 官方 IntelligenceLab/LHTB-leaderboard 成績資料集;保留署名和變更說明。
成績由 Tencent HY / Lehigh 等 發布,各項原始分數使用不同尺度,不能直接相加;參考名次採用公開的分差標準化規則。