Grok 4.5 возглавил Long-Horizon-Terminal-Bench - 29 из 46 задач без решения

Вышел бенчмарк Long-Horizon-Terminal-Bench из 46 терминальных задач на часы работы и сотни шагов, Grok 4.5 занял первое место. Лучшая модель набирает лишь около половины среднего reward. 29 из 46 задач не решила ни одна модель.

Почему это важно: Бенчмарк меряет не старт, а удержание задачи на сотни шагов. Grok 4.5 лидирует и всё равно берёт только половину среднего reward. Агенты берутся за длинную работу, но не доводят её до конца - потолок в финише, а не в начале.

Что дальше: Сверяйся с лидербордом при выборе агента под многошаговую задачу. Перед автономным прогоном на сотни шагов прогони задачу вручную и проверь, доходит ли модель до конца.