Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你有自己的论文要解读，或者推荐论文，请留言。

今天的主题是：

Terminal-Bench: Benchmarking Agents on Hard, Realistic Tasks in Command Line Interfaces

Summary

AI 智能体很可能很快就能在多个领域中自主完成具有价值的长期任务（long-horizon tasks）。然而，现有基准测试要么无法反映真实世界任务，要么难度不足以有效评估前沿模型。

为此，我们提出 Terminal-Bench 2.0：一个精心构建的高难度基准测试。该基准包含 89 个任务，全部在计算机终端环境（terminal environments）中完成，并且这些任务都来源于真实工作流程中的问题。

每个任务都包含：

• 独立的运行环境
• 人工编写的参考解决方案
• 完整的自动化测试（用于验证结果）

实验结果表明，当前的前沿模型和智能体在该基准上的得分低于 65%。我们还进行了错误分析（error analysis），以识别模型和智能体在未来需要改进的关键能力方向。

为了支持开发者和研究人员的进一步研究，我们公开发布了数据集和评测框架（evaluation harness），可通过论文中的链接获取。

原文链接：https://arxiv.org/abs/2601.11868