据 Woofun AI 消息，腾讯与 Meta 联合开发的 MetaUnity 团队携手高校推出 LHTB 基准测试，旨在检验 AI 智能体在终端环境中持续完成复杂任务的能力。该测试涵盖软件工程、科学计算等 46 项任务，每项限时 90 分钟，需经隐藏验证者严格审核，AI 自行宣称完成无效。

最新公开结果显示，Grok 4.5 以 0.505 的平均分在 20 种模型中排名第一，共完成 13 项任务。相比之下，GPT-5.5 在初始版本中完成 7 项任务。目前仍有 29 项任务无模型达标，多数智能体因超时或提前停止而失败。