요약

새롭게 제시된 'Long-Horizon Terminal-Bench'는 46개의 장기 지평선 터미널 태스크를 평가하는 벤치마크입니다. 최고 모델인 Grok 4.5조차 평균 보상 점수가 0.505에 그쳐, 46개 중 단지 13개만 해결할 수 있는 것으로 나타났습니다.

핵심 포인트

• 장기 지평선 태스크의 난이도가 매우 높음.
• 최고 모델(Grok 4.5)도 평균 보상 점수가 낮아 성능 한계가 드러남.
• 대부분의 에이전트가 완료 전에 동력을 상실하는 문제가 있음.