长程任务幻影？诊断代理系统在何处及为何失效

大型语言模型代理在短中期任务表现优异，但在需扩展依赖动作序列的长程任务中常失效。为此，本文提出 HORIZON，一个跨领域诊断基准，用于系统构建任务并分析长程失败行为。研究评估了多个模型家族的先进代理，收集超 3100 条轨迹以研究随 horizon 增加的退化模式。此外，提出基于轨迹的“大模型即裁判”流程进行可扩展的失败归因，并经人工标注验证具有高度一致性。该工作为系统性分析长程代理失败提供了方法论步骤及实践指导。