**揭示长程任务评估误区：新基准 DEPTH 以真实工作流深度取代轮次计数**

_Is Your Long-Horizon Benchmark Really Deep? Measuring and Synthesizing Depth in Terminal Tasks_

> 现有长程任务评估常以“轮次”衡量难度，但这主要反映模型习惯而非任务真实深度。研究提出新基准 DEPTH，通过让生成代理在真实软件环境中逐段执行并验证，以“必须连续执行的步骤数”定义任务深度。审计显示，现有合成任务多增加工作量而非深度，而 DEPTH 生成的 105 个任务在深度和难度上全面超越现有数据集，且当前主流模型无法通过半数，微调 Qwen3-8B 后性能显著提升。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-11-04 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.01927)