Grok 4.5 Mengungguli Tolok Ukur Agen AI Tencent Hunyuan LHTB dengan Skor Rata-Rata 0,505, Menyelesaikan 13 Tugas

Berdasarkan hasil pengujian terbaru Tencent Hunyuan, Grok 4.5 berada di peringkat pertama pada LHTB (Long Horizon Task Benchmark) dengan skor rata-rata 0,505, menyelesaikan 13 dari 46 tugas. Benchmark ini, yang dikembangkan bersama oleh Tencent Hunyuan dan beberapa universitas, menilai apakah agen AI dapat terus menyelesaikan tugas kompleks di endpoint lokal.

LHTB mencakup 46 tugas yang meliputi rekayasa perangkat lunak, reproduksi eksperimen, komputasi ilmiah, dan analisis multimodal, dengan setiap tugas berjalan hingga 90 menit dan biasanya memerlukan ratusan langkah berurutan. Dari 20 model yang diuji secara publik, 29 tugas masih belum diselesaikan oleh model mana pun, yang menunjukkan tingkat kesulitan benchmark yang tinggi.