长周期经营任务测试 8 个顶尖模型：最佳组合 Qwen3.7-Max + Hermes 仅达人类 27.3% 水平

一项长周期智能体压力测试让 8 个前沿模型面对一整年相互关联的决策、延迟反馈和自身历史行为的后果，最佳组合 Qwen3.7-Max + Hermes 在模拟经营结束时手里的钱只有人类参与者平均的 27.3%。测试显示顶级模型相对人类表现大幅崩塌，距离可靠的长期任务执行能力还差得远。