據 Woofun AI 消息，騰訊與 Meta 聯合開發的 MetaUnity 團隊攜手高校推出 LHTB 基準測試，旨在檢驗 AI 智能體在終端環境中持續完成複雜任務的能力。該測試涵蓋軟件工程、科學計算等 46 項任務，每項限時 90 分鐘，需經隱藏驗證者嚴格審覈，AI 自行宣稱完成無效。

最新公開結果顯示，Grok 4.5 以 0.505 的平均分在 20 種模型中排名第一，共完成 13 項任務。相比之下，GPT-5.5 在初始版本中完成 7 項任務。目前仍有 29 項任務無模型達標，多數智能體因超時或提前停止而失敗。