DEPTH 研究揭示长程终端任务基准深度虚高：轮数反映模型习惯，按依赖深度合成更难任务

Notre Dame、IBM Research、CMU 等机构研究指出，长程终端任务基准以模型完成轮数衡量任务长度、以 LLM 设置的标签衡量难度，但前者主要反映模型习惯，后者几乎不能预测通过率。DEPTH 按顺序依赖深度度量并合成更难任务，用这些任务进行 agent 微调可带来提升，为 agent 评测与训练数据合成提供方法论启示。