Grok 4.5 dẫn đầu bảng xếp hạng AI Agent benchmark LHTB của Tencent Hunyuan với điểm trung bình 0,505, hoàn thành 13 tác vụ

Theo kết quả thử nghiệm mới nhất của Tencent Hunyuan, Grok 4.5 xếp hạng đầu trên LHTB (Long Horizon Task Benchmark) với điểm trung bình 0,505, hoàn thành 13 trên 46 tác vụ. Bảng benchmark, được phát triển chung bởi Tencent Hunyuan và nhiều trường đại học, đánh giá khả năng các tác nhân AI có thể liên tục hoàn thành các nhiệm vụ phức tạp trên thiết bị đầu cuối cục bộ hay không.

LHTB bao gồm 46 tác vụ trải dài từ kỹ thuật phần mềm, tái hiện thí nghiệm, tính toán khoa học đến phân tích đa phương thức, với mỗi tác vụ chạy tối đa 90 phút và thường yêu cầu hàng trăm bước liên tiếp. Trong số 20 mô hình được thử nghiệm công khai, 29 tác vụ vẫn chưa có mô hình nào hoàn thành, cho thấy mức độ khó cao của benchmark này.