长时程任务是海市蜃楼吗？诊断智能体系统在何处以及为何失效

大语言模型（LLM）智能体在短时程与中时程任务上表现强劲，但在需要长链条且相互依赖的动作序列的长时程任务上常常失效。尽管智能体系统进展迅速，这类长时程失效仍缺乏清晰的刻画，阻碍了跨领域的原则性诊断与比较。为填补这一空白，我们提出HORIZON，一个用于系统性构造任务并分析基于LLM的智能体长时程失效行为的初步跨领域诊断基准。利用HORIZON，我们评估了来自多个模型家族（GPT-5变体与Claude模型）的最先进（SOTA）智能体，在四个代表性智能体领域收集了3100余条轨迹，以研究随时程变化的退化模式。我们进一步提出一条以轨迹为依据的LLM-as-a-Judge流水线，用于可扩展、可复现的故障归因，并通过轨迹上的人类标注加以验证，取得了强一致性（标注者间κ=0.61；人类与评判模型间κ=0.84）。我们的发现为系统化、跨领域分析智能体长时程失效迈出了初步的方法论一步，并为构建更可靠的长时程智能体提供了实践指导。我们已在 HORIZON Leaderboard（https://xwang2775.github.io/horizon-leaderboard/）发布项目网站，欢迎社区贡献。