งานวิจัยนี้นำเสนอ Long-Horizon-Terminal-Bench 2.0 (LHTB 2.0) ซึ่งเป็นชุดทดสอบที่พัฒนาขึ้นเพื่อแก้จุดบอดของการประเมิน AI Agent แบบเดิมที่มักเน้นเพียงผลลัพธ์สุดท้าย (Binary success) โดย LHTB 2.0 หันมาใช้การให้รางวัลตามความคืบหน้าของกระบวนการ (Process rewards) เพื่อวัดว่า Agent สามารถรักษาการทำงานในเวิร์กโฟลว์ที่ยาวและซับซ้อนได้ดีเพียงใด ชุดทดสอบนี้ประกอบด้วยงานทั้งหมด 77 งาน ครอบคลุมโดเมนด้านวิทยาศาสตร์และวิศวกรรม
หัวใจสำคัญของ LHTB 2.0 คือการขยายเวลาในการทดสอบจากเดิม 90 นาที เป็น 3 ชั่วโมง และมีการบันทึกจุดตรวจสอบ (Checkpoints) ทุกๆ 30 นาที เพื่อประเมินความสามารถในการทำงานอย่างต่อเนื่อง ผลการทดสอบจากโมเดลชั้นนำ 15 รุ่นพบว่า GPT-6-astra มีคะแนนเฉลี่ยสูงสุดที่ 0.69 ตามมาด้วย GPT-5.6-sol ซึ่งสะท้อนให้เห็นว่าการวัดผลแบบเน้นกระบวนการช่วยให้เห็นภาพรวมของความสามารถ AI ได้ชัดเจนกว่าการวัดเพียงแค่ว่างานสำเร็จหรือไม่
