LONG-HORIZON AGENTS / 004

任务要走得远，
尺子也要有出处。

这是一个独立的一手来源 crosswalk：把科学研究、代码工程、终端、浏览器、电脑操作和工具工作流里的长程 benchmark 放在一起查。这里回答“我们覆盖了哪些尺子”，不把不同题集拼成一个总榜。

READING RULEORIGIN FIRST

coverage ≠ score

“已覆盖”只表示本站已有 canonical 条目；“外部快照”表示有公开记录但尚未形成本站 campaign。每张卡都列出项目方原始仓库、论文、数据集或官方榜单。

NatureBench、LHTB、TB-Science 等研究与长程条目独立登记。

TRACKED BENCHMARKS—独立登记的 benchmark / family

CANONICAL—本站已有定义，可继续查成绩

EXTERNAL SNAPSHOT—有公开切片，尚未 canonicalize

TO ADD—已找到一手定义，本站尚未收录

SCIENTIFIC / RESEARCH—研究、复现与科学编程

01 / COVERAGE MAP

先看覆盖边界，
再看分数。

目录把 benchmark 定义、运行结果和 agent 实现拆开。一个项目可以有原始论文和代码，但仍然是本站的“待收录”；反过来，canonical 也不代表当前有成绩。

CANONICAL已有本站 canonical profile

EXTERNAL只有公开 snapshot / 聚合记录

TO ADD一手定义已找到，尚未登记

02 / DIRECTORY

按领域、覆盖状态、任务跨度和影响力筛选。所有原始链接直接指向项目方或论文，不用二手榜单替代 owner。

— / — entries

03 / AGENT SOURCES

这些是执行 benchmark 的 agent runtime 或 harness，不是 benchmark 本身。模型（例如腾讯混元 Hy3 / Hy4）另在 Models 记录；成绩仍要绑定具体 release、配置、预算和环境。

— first-party agents

04 / METHOD

长程不是“上下文更长”这么简单。真正影响结果的是状态是否持久、工具是否可用、checker 是否隐藏、预算如何消耗，以及失败后能否恢复。本站暂不把不同 benchmark 的 solved rate、Elo 或 research score 合成一条排名。

origin-linkedversion-awarestatefulmissing ≠ zero

01Define任务 / 版本 / owner

→

02Runagent / tools / budget

→

03Verifychecker / artifact / status