AIがパソコン作業を自動化

Long-Horizon Terminal-Benchは、LLM agentsが数百ものターミナル操作にわたって生産的な作業を継続できるかどうかを評価します。その46のstatefulなタスクは、agentが報告する進捗を信頼するのではなく、最終的な成果物を再構築して検査する隠れたverifiersを使用します。