Long-Horizon-Terminal-Bench 2.0 to zaktualizowana wersja benchmarku zorientowana na ocenę zdolności agentów do utrzymywania postępu przez rozszerzone zadania wymagające wielu godzin pracy. Nowa wersja zawiera 77 zadań rozłożonych na 13 dziedzin i 8 typów, rozszerzając oryginalny zbiór 46 zadań poprzez systematyczny proces rekonstrukcji opartej na rzeczywistych artefaktach naukowych i inżynieryjnych.
Klucza innowacją jest zmiana sposobu oceny - zamiast sprawdzać tylko ostateczny wynik (binary check), benchmark używa gęstych drabinek postępu do nagradzania częściowych osiągnięć na każdym etapie zadania. Weryfikacja rozciąga się teraz na trzy godziny z punktami kontrolnymi co 30 minut, umożliwiając bezpośredni pomiar utrzymywanego postępu w trakcie pojedynczego uruchomienia. To podejście zapobiega memoryzacji publicznych wyników i lepiej odzwierciedla rzeczywiste zdolności modeli.
Wyniki testów na 15 modelach granicznych pokazują wyraźne różnice w wydajności. GPT-6-astra liderom z średnią nagrodą 0.69 i 37 zadaniami osiągającymi wynik co najmniej 0.95, podczas gdy GPT-5.6-sol zajmuje drugie miejsce z nagrodą 0.67 i 32 zadaniami na tym poziomie. Ważnym spostrzeżeniem jest że tradycyjna ocena binarna (tylko wynik końcowy) daje średnio 0.221 punktów, podczas gdy gęste miary postępu osiągają 0.653 - pokazując że pomiar tylko wyniku końcowego nie oddaje faktycznych umiejętności agentów w wykonywaniu długich i złożonych przepływów pracy.