Long-Horizon-Terminal-Bench（LHTB）旨在评估智能体在长时序工作流中的持续进展，而不仅仅是最终状态的二元判定。LHTB 2.0 在保留原有 46 项任务的基础上，修复了任务和评估基础设施的缺陷，并新增 31 项任务，使任务总数达到 77 项，覆盖 13 个领域和八种任务类型。
任务的扩展采用系统化的重构‑任务流水线：先选取一个可运行的科研或工程制品，利用参数化的参考实现生成多个情景；其中六个情景作为行为证据公开，另外三个情景留作评估。为鼓励中间进度，采用密集进度阶梯奖励，同时防止模型记忆公开输出。
评估时长从 90 分钟延长至 3 小时，并每隔 30 分钟记录一次验证器检查点，从而能够直接度量一次运行中的持续进展。
在 1,145 次模型‑任务评分实验中，15 种前沿模型中 GPT-6-astra 以 0.69 的密集平均奖励领先，并在 37 项任务上达到 R≥0.95；其次是 GPT-5.6-sol，密集平均奖励 0.67，32 项任务满足同一阈值。对 30 项重构任务的二元验证器得分平均为 0.221，而密集阶梯得分平均为 0.653，说明仅靠结果判定会遗漏大量中间进度。
LHTB 2.0 提供了更广泛、更坚固且关注过程的测试平台，为研究智能体在数小时尺度上的可靠执行提供了新基准。
点评