以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
How can an agent handle a real-world task end to end? Frontier models with their own harnesses still fall short on real-world benchmarks: on Terminal-Bench 4.0, GPT-5.6 Sol with Codex resolves 37.3% of the tasks and Claude Opus 5 with Claude Code 51.8%. These tasks fail at the step from reaching a resource to applying
阅读原文 · Haibo Jin, Peng Kuang, Xiaopeng Yuan, Lucheng Fu, Jerry Wang, Xucheng Yu, Yaoning Yu, Dehao Wu, Runguo Li, Colin Su, Jingxuan Sun, Xuyang Liu, Haojing Luo, Haohan Wang
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文盯上的是一个很具体的痛点：把资源递到 Agent 手上，它还是不会用。 Terminal-Bench 4.0 上，GPT-5.6 Sol 配 Codex 只解出 37.3%，Claude Opus 5 配 Claude Code 是 51.8%。作者把这个断点叫“最后一公里”： 从够得着资源，到真的把资源用对，中间那段能力没人负责 。 现有 harn...