StateM通过执行框架扩展，在Terminal-Bench 2.1上达到95.3%准确率
StateM是一套面向AI代理的运行时系统，通过持久状态、阶段化上下文、经过检查的状态转换、可恢复运行手册和版本化程序规则，改进长时任务执行，同时不修改模型权重。研究团队称，在Terminal-Bench 2.1上，StateM使GPT-5.6 Sol xhigh在445次试验中达到95.3%的原始准确率，并让89项任务全部至少成功一次。GPT-5.5、GPT-5.6 Luna和DeepSeek-V4 Flash也获得性能提升，API支出则明显低于参考GPT运行。在BusinessBench上，增益相对有限，并取决于任务是否具有相似的执行结构。代码已在GitHub公开。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。