20 个多小时级超长软件工程任务（Abundant AI）
单任务需 agent 连续工作数小时完成，考长时程不跑偏、自我恢复的工程马拉松能力。
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
共收录 6 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
StepFun / 阶跃星辰·国内
阶跃星辰发布的旗舰基座模型 Step 5 Preview，面向真实世界 Agentic 任务，在编程、软件工程、专业工作与金融方向上达到前沿水平。AA Intelligence Index 44 分；DeepSWE v1.1 67.7%、Terminal-Bench v2.1 85.0%、StepCodeBench 49.0%、FrontierFinance 66.4%、GDPval-AA v2 1571；模型将于 2026-10-15 正式开源。
Tencent / 腾讯混元·国内
发布文将 Hy4 preview 定位为 770B 总参/49B 激活、1M 上下文、Apache 2.0 开源的旗舰预览版（各模型均按最高推理档评测）。46 项评测集中于智能体编码与搜索、工作智能体及 STEM 推理，亮点为 Terminal-Bench 2.1 85.4 与 SWE-bench Multilingual 82.9。
Z.ai / 智谱 GLM·国内
GLM-5.3 以「Frontier Coding with Emergent Cyber Capabilities」为定位发布（API thinking 档 low/high/max、默认 max 且不再支持关闭思考；权重承诺发布两周内开源）。已收录 22 项评测集中于编码与网络安全攻防：亮点 Terminal-Bench 2.1 88.2、CyberGym 84.5。
xAI / Grok·国际
xAI 发布 Grok 4.5，定位为面向编码、智能体任务与知识工作的最强模型，并与 Cursor 联合训练。评测集中于智能体编码，亮点如 DeepSWE 1.0 62.0%、Terminal-Bench 2.1 83.3%，并称平均输出 tokens 约为 Opus 4.8 (max) 的 1/4.2。
Moonshot AI / Kimi·国内
Kimi K3 以「Open Frontier Intelligence」为定位发布（权重承诺 2026-07-27 前开源），评测统一 reasoning effort=max、temperature=1.0。已收录 35 项以上评测覆盖编码、Agent、搜索与多模态：亮点 Terminal-Bench 2.1 88.3、BrowseComp（1M 上下文）90.4。
Z.ai / 智谱 GLM·国内
智谱将 GLM-5.2 定位为面向长周期任务构建的模型，提供稳固支撑长程工作的 1M 上下文与更强编码能力（High/Max 档位控制），权重以 MIT 协议完全开源。已收录评测聚焦智能体编码与工具调用、长程软件工程与数学推理等领域，AIME 2026 99.2、Terminal-Bench 2.1（Terminus-2）81。
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。