先手 SENTE · 周报阅读清单 · 精读 · arXiv 2608.15089
StateM：不换模型，只扩外壳——把长时程 Agent 的执行写成状态机
StateM: Reaching 95.3% Raw Accuracy, or a \$15 Frontier Run, on Terminal-Bench 2.1 via Harness Scaling
Ziheng Qin，Yaxin Lu，Zhangyang Atlas Wang，Kai Wang · 2026-08-15
同一个 GPT-5.5，换上状态机外壳从 83.1% 到 92.1%
打开交互式解读 →3 分钟版
问题 长时程 Agent 即使每一步都会做，也常会忘了可变状态、想不起之前的教训、跳过已知流程或过早停止。
思路 运行时负责状态持久化、转移校验、钩子、历史与恢复；控制配置（runbook）规定阶段、指令、检查与修复策略。每个阶段既是上下文边界（进入时刷新本阶段指令与进度），也是契约边界（离开前必须通过命令、谓词、人工或 LLM 审查等检查）。
结果 Terminal-Bench 2.1：GPT-5.5 xhigh 92.1%（参考 83.1%）；同一手册冻结后直接用于 GPT-5.6 Sol xhigh，445 次试验成功 424 次（95.3%），GPT-5.6 Luna 从 76.7% 到 85.4%；DeepSeek-V4-Flash 适配后 88.09%（均为作者自报）。
所以呢 外壳带来的提升可以和一代模型升级同量级，而且能以很低的成本换来；但这类提升高度依赖针对任务分布打磨的手册，换到新任务族时会大幅缩水。
关键数字
- 92.1% GPT-5.5 xhigh + StateM（Terminal-Bench 2.1）（§4.2）
- 95.3% GPT-5.6 Sol xhigh + 冻结手册（原始分）（§4.2）
- 88.09% DeepSeek-V4-Flash 适配后全集成绩（§4.4）
- +1.34 BusinessBench 留出任务提升（逐实例）（Table 1）
局限与疑问
- 手册针对基准演化，结果不等于状态机本身的效果。
- 95.3% 为未裁定原始分。
- 跨厂商需要重新适配。
- 新任务族上的留出提升很小。
- 部分参考成绩与成本来自不同评测。
- 作者自报，无机构署名。
AI 解读 · 基于原文：本页由 AI 根据论文原文整理，所有数字均可在原文中找到出处；引用前请核对原文。