# Grok 4.5 在 Long-Horizon Terminal-Bench 測試中奪冠，展現出處理長時程複雜 Agent 任務的卓越能力

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：X Freeze (@XFreeze) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥🔥 · 日期：2026-07-21

> 原始來源：https://x.com/XFreeze/status/2079264002316927312

## 中文摘要

Grok 4.5 在 Long-Horizon Terminal-Bench 測試中奪冠，展現出處理長時程複雜 Agent 任務的卓越能力。

**效能表現與評測結果**
根據 @XFreeze 的發布資訊，Grok 4.5 在 Long-Horizon Terminal-Bench 測試中以二元通過率（binary pass rate）位居第一，超越了 Claude Fable 5、Claude Opus 4.8 以及 GPT-5.6-sol 等前沿模型。該測試針對 18 個前沿模型進行了 46 項高難度任務評估，Grok 4.5 最終取得 0.505 的平均獎勵值，以 0.008 的些微差距領先第二名 Claude Sonnet 5（0.497）居首。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/b146d8f8b6df4001.jpg)
> 在 Long-Horizon Terminal-Bench 的嚴格二元通過率（Binary pass rate, R = 1.0）評測中，Grok 4.5 以 19.6% 的通過率（成功解決 9/46 項任務）榮登榜首，領先 Claude Fable 5、Claude Opus 4.8 及 GPT-5.6-sol 等競爭對手。

**核心技術優勢**
該評測指標極為嚴格，僅在任務被完全解決、獲得完美獎勵且零錯誤的情況下才計入分數。Grok 4.5 的優勢在於：
- **長時程任務處理**：能夠在長達 90 分鐘的測試中，連續執行數百個具備相依性的終端操作而不丟失脈絡。
- **錯誤恢復能力**：在面對複雜的 Agentic 程式開發任務時，模型不僅能維持上下文，還能在發生錯誤後進行自我修正，確保整個工作流程順利完成。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/07b1ac912921e3ef.jpg)
> Grok 4.5 在 Long-Horizon Terminal-Bench 基準測試中以 0.505 的平均獎勵居首，以些微差距領先第二名 Claude Sonnet 5（0.497），其後依序為 Claude Opus 4.8 及 Claude Fable 5 等前沿模型。

**實際應用價值**
對於現實世界的程式撰寫、自動化作業及高難度工程任務而言，這項進展具有關鍵意義。與僅能取得部分進展的模型不同，Grok 4.5 展現了在長時間跨度下，維持高水準 Agent 表現的穩健性，這對於需要執行數百個步驟的複雜工程工作至關重要。

## 媒體內容

**在 Long-Horizon Terminal-Bench 的嚴格二元通過率（Binary pass rate, R = 1.0）評測中，Grok 4.5 以 19.6% 的通過率（成功解決 9/46 項任務）榮登榜首，領先 Claude Fable 5、Claude Opus 4.8 及 GPT-5.6-sol 等競爭對手。**

**數據表**

|   | PASS | SOLVED |
| --- | --- | --- |
| Grok 4.5 (xAI) | 19.6% | 9/46 |
| Claude Sonnet 5 (Anthropic) | 10.9% | 5/46 |
| Claude Opus 4.8 (Anthropic) | 10.9% | 5/46 |
| Claude Fable 5 (Anthropic) | 15.2% | 7/46 |
| GPT-5.6-sol (OpenAI) | 8.7% | 4/46 |
| GPT-5.5 (OpenAI) | 10.9% | 5/46 |
| MiniMax M3 (MiniMax) | 6.5% | 3/46 |
| Claude Sonnet 4.6 (Anthropic) | 4.3% | 2/46 |
| Kimi K2.7 Code (Moonshot) | 4.3% | 2/46 |
| GLM 5.2 (Zhipu) | 0.0% | 0/46 |
| Qwen3.6 Plus (Alibaba) | 0.0% | 0/46 |
| DeepSeek V4 Pro (DeepSeek) | 0.0% | 0/46 |

**Grok 4.5 在 Long-Horizon Terminal-Bench 基準測試中以 0.505 的平均獎勵居首，以些微差距領先第二名 Claude Sonnet 5（0.497），其後依序為 Claude Opus 4.8 及 Claude Fable 5 等前沿模型。**

**數據表**

|   | MEAN | SOLVED |
| --- | --- | --- |
| Grok 4.5 (xAI) | 0.505 | 13/46 |
| Claude Sonnet 5 (Anthropic) | 0.497 | 8/46 |
| Claude Opus 4.8 (Anthropic) | 0.492 | 9/46 |
| Claude Fable 5 (Anthropic) | 0.487 | 12/46 |
| GPT-5.6-sol (OpenAI) | 0.451 | 7/46 |
| GPT-5.5 (OpenAI) | 0.445 | 7/46 |
| MiniMax M3 (MiniMax) | 0.385 | 3/46 |
| Claude Sonnet 4.6 (Anthropic) | 0.373 | 4/46 |
| Kimi K2.7 Code (Moonshot) | 0.367 | 3/46 |
| GLM 5.2 (Zhipu) | 0.316 | 1/46 |
| Qwen3.6 Plus (Alibaba) | 0.313 | 1/46 |
| DeepSeek V4 Pro (DeepSeek) | 0.307 | 3/46 |

## 標籤

Benchmark, Agent, LLM, xAI, Grok, Anthropic, OpenAI