Horizon

general · First seen 2026-05-22 · Last seen 2026-11-20 · 229 mentions

Overview

Horizon(长时程/长程任务)是当前 AI 智能体领域的核心议题,指的是让模型在跨越数十步甚至数天的连续任务中保持目标一致、记忆可靠并自主纠错的能力。随着智能体从单轮问答走向真实业务场景,长程能力被视为衡量其能否落地生产环境的关键分水岭。

Horizon 近期进展

  • BizBench 基准揭示长程智能体在真实商业任务中的部署难题:BizBench 把智能体放进贴近真实商业流程的任务里测试,结果显示多数模型在长链条、多约束场景下完成率明显下滑,暴露了实验室成绩与生产部署之间的落差。
  • QwenGyre 攻克长程智能体 RL 两大挑战:阿里通义团队针对长程强化学习中奖励稀疏与信用分配两大难题提出改进方案,反映出头部厂商正把训练重心从单步能力转向多步规划。
  • SambaNova 联合四所高校研究长时程任务下 LLM 智能体的有效性:该合作项目系统评估了模型在长时间跨度任务中的表现衰减规律,为产业界提供了可参照的评测框架。
  • Google 发布 VeriHarness:用智能体验证器替代多数投票选答案:Google 用专门的验证智能体取代传统多数投票机制来筛选输出,为提升长链条任务的可靠性提供了新思路。
  • 当前焦点与观察点

    目前 Horizon 相关工作的主线集中在三处:一是评测基准的真实化,从 BizBench 到学术界的 selective long-horizon refinement 研究,都在强调用贴近实际业务的任务衡量智能体,而非刷分;二是训练方法的迭代,QwenGyre 等工作表明强化学习在长程场景下的稀疏奖励问题仍是技术瓶颈;三是推理期的可靠性工程,VeriHarness 一类的验证机制说明,仅靠模型自身能力不足以保证多步任务的稳定输出,外挂校验正成为标配。

    值得关注的是,产业与学术正在快速合流——SambaNova 与高校的合作、Anscale 参与 Encord 的 Long Horizon 大会,都显示长程智能体已从论文议题进入工程落地阶段。但争议同样存在:Jack Clark 在 IMF 演讲中提出

    Coverage

    10 on file