Long

Long-horizon(长时程)任务指需要智能体在数十步乃至数小时的时间跨度内持续规划、执行并纠错的复杂任务,是当前 AI 智能体从演示走向实用落地的核心瓶颈。近期研究普遍发现,大模型在单步推理上已接近或超过人类水平,但一旦任务被拉长,错误会逐步累积,可靠性和恢复能力成为短板。

长时程智能体的近期进展

AtomicRL：面向长程机器人操作的原子化强化学习框架提出将长程机器人操作拆解为原子化子技能,通过强化学习分别优化再组合,以缓解长任务中奖励稀疏和误差累积的问题。

Backtrack：让冻结 VLA 模型自主检测并回退恢复失败关注另一条路线:不改动模型权重,而是让视觉-语言-动作模型自己识别执行失败并主动回退,提升长时程操作中的自我恢复能力。

SambaNova 联合四所高校研究长时程任务下 LLM 智能体的有效性,产业界与学界开始系统评估模型在跨小时任务中的真实表现,而非只看短问答基准。

GPT-6-Astra 机器人基准接近饱和,但物理验证与纠错仍是短板指出,即便前沿模型在既有机器人基准上接近饱和,真实物理环境中的验证与纠错能力仍明显不足。

长时程能力的评估体系本身也在发生变化。BizBench 基准揭示长程智能体在真实商业任务中的部署难题显示,在财务、运营等真实商业流程中,智能体的完成率与可部署性之间仍有明显落差, benchmark 分数不能直接等同于落地能力。

商业化层面,定价模式正在随之调整。a16z 提出企业 AI 正从完成任务演进到为结果定价,即按最终业务结果而非按 token 或席位收费——这一转变的前提,恰恰是智能体能够可靠地跑完长时程任务,因此长程可靠性被视为结果计费能否成立的技术前提。

后续值得观察三点:一是回退与自我纠错机制(如 Backtrack 类方法)能否从机器人领域推广到通用智能体;二是 AtomicRL 式的任务分解是否成为长程训练的主流范式;三是随着按结果计费模式推广,长时程成功率会成为厂商竞相公开的核心指标,评估标准也有望逐步统一。