9,9M токенов и всё равно 15%: пределы современных AI-агентов
Команда из 13 исследователей опубликовала Long-Horizon-Terminal-Bench — бенчмарк из 46 длинных терминальных задач. Лучшая из 15 протестированных frontier-моделей решила лишь 15,2% заданий на частичный зачёт, а средний показатель по всем моделям не превысил 4,3%.