长程终端基准测试发布：MiniMax M3 登顶，Kimi K2.7 Code 与 GLM 5.2 分列二三

摘要与判断

长程终端基准测试（LHTB）在 Hugging Face Hub 发布，包含46项任务，要求大语言模型智能体在终端连续完成300多步操作；榜单前三为 MiniMax M3、Kimi K2.7 Code 和 GLM 5.2，评测采用抗污染设计及隐藏验证器检查真实状态。该基准把智能体长程执行稳定性纳入可比较指标，也为本地小模型的终端能力评估提供了测试场景。

Topics

引用和原文

• NEW BENCHMARK ON THE @huggingface HUB Your favorite LLM agent can write a script. Can it s
• 原文链接

Trace

Raw Item

raw_c892370a779c4868

Processed Item

processed_9f062d53c4ef427d

Source

source_x_akhaliq

Cluster

查看所属簇

LLM Logs

llm_e91795a65e024343, llm_4d8e227a7a524908, llm_aef8b04696c64ff1

Coze Loop

5fb601e1e2797cbdb87494f1885d6d72