长周期经营任务测试：顶级模型仅达人类27.3%

2026年10月2日，AGI Hunt 报道了一项长周期智能体压力测试：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，以及自身历史行为带来的后果。结果显示，表现最佳的模型组合 Qwen3.7-Max 与 Hermes，在模拟经营结束时手里的钱只有人类参与者平均水平的 27.3%。报道称，顶级模型在长周期任务中相对人类的表现大幅崩塌，距离可靠的长期任务执行能力还差得远。目前公开的仅有这一轮测试结果，报道未给出完整模型名单、具体测试规则或复现信息，也暂无其他来源报道可对照。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。