Scale Labs 发布 LHAW：面向长时程任务的欠规范评测流水线

Scale Labs 发布 LHAW，一个与数据集无关的流水线，可将长时程任务转化为可控的欠规范变体，并基于 MCP-Atlas、TAC 和 SWE-Bench Pro 构建了 285 个经执行验证的评测任务。测试显示，前沿模型在可访问模拟用户时从欠规范中恢复的能力差异显著，反映出战略澄清能力的差距；问题质量、过度澄清和响应误读是差异最大的澄清失败模式。