长时程税：从点得准到走得完，尺子跟着变形

每步都点得准，不代表整体走得完。单步视觉定位（grounding）的分数已经卷到近饱和，任务一拉长，成功率立刻跌回个位数到两成。中间这道差价，就是「长时程税」（long-horizon tax）。

这笔税记在三本账上：误差累积、延迟成本、验证缺口。任务一长，连怎么算成功都要跟着换尺子。本篇沿 L7 p.39-45 与 p.79-80 摊开这本账，再看 rubric 部分分、过程审计、并行拆解三条换尺子的路。

一、底账：ρ^T 这道乘法

设每步动作成功率 ρ，一条 T 步轨迹的整体成功近似连乘 ρ^T。每步 95% 听起来近乎可靠，五十步下来 0.95^50 ≈ 7.7%，十次成不了一次。

误差累积（error accumulation）按复利走：步数翻倍，分数塌方到平方级。单步满分填不平这道乘法。

把长程失败全记在 ρ^T 头上，也冤枉了它。讲义 L7 p.39 的长时程评估页先换了个问法：结果检查之外，要不要过程检查？长任务更难做对，也更难判对。做与判叠在一起，长时程税拆成三项，每项都在逼评估换尺子。

二、尺子一：rubric 部分分 —— 给「差一点」记进度

长任务用全对才算对的二值判分，太粗。一条上百步的轨迹最后漏了一小步，与一步没走记同样的 0 分，既埋没了进展，也看不见短板在哪。

Odysseys（Jang* 与 Koh* 共同一作等，2026；L7 p.40-41）的答案是评分细则（rubric）型判分：200 个 live-web 长时程任务，每个任务平均配 6.1 条 rubric，主评估设 100 步上限。rubric 型 LLM judge 逐条核对，按达成比例给部分分，即 partial credit。

讲义自带的示例最能说明尺子怎么变形：规划 Palm Springs 婚礼行程这个任务有 8 条 rubric，agent 达成 7 条，部分分 0.875；换完美完成度的口径重读同一条轨迹，得分 0.0。在这把更宽容的尺子下，顶级模型的成功率也仅 44.5%。这不算放水：换尺子把还差多少变成可优化的梯度。

L7 p.45 的 CUA-World-Long 是同一思路的工程化版本：200 个长任务、常见超过 500 步，每个任务配 8 条标准 checklist，由 VLM 逐条验证。rubric 从 LLM judge 的判断改为标准清单加视觉核验，可复现性往前挪了一步。

三、尺子二：过程审计 —— 只看结果会说谎

判分还藏着第二个坑：终态对了，路径可能错了。讲义 L7 p.39 把混合 / 轨迹评估定义成双清单，结果检查加过程检查。

反例直白：结果 ✓ 购物车里是正确商品，过程 ✗ 发生了购买 → FAIL。仅按结果打分会漏掉违规，WeaveBench 与 OSWorld 2.0 的独立安全审计都为此把过程检查提进判分。

WeaveBench 在 L7 p.94 的证据更刺眼：114 个任务、中位 16 次切换，用轨迹感知（trajectory-aware）judge 重评后，发现问题不止漏违规。只看结果还会奖励无效捷径：绕路、脏操作、碰运气到达终态，一律得分。

过程视角还照亮了失败成因的迁移。OSWorld 2.0（2026；L7 p.42-44）把评估单位换成完整工作流：108 个工作流，人类中位耗时 1.6 小时，agent 平均要发起 318 次模型调用，判分用部分分加二值检查。

读数同样不高：最强配置 Claude Opus 4.8 max thinking，成功率也仅 20.6%。

失败主因也换了。单步 grounding 饱和之后，杀死长轨迹的是看不见的界面状态、执行中途变化的需求、没人核对的中间步骤。这三样都在过程侧。

四、尺子三：并行拆解 —— 把 T 拆小，税基就变小

ρ^T 有两种降法：提高每步 ρ，等更强的模型；或者减小乘在一起的 T，把长轨拆成短轨。MACU（Koh 等，2026；L7 p.80）走第二条，流程是 plan→parallelize→replan。

先按依赖关系把任务拆成 DAG（有向无环图），把就绪的子任务派发到隔离环境中的多个 CUA 并行执行，子任务的证据共享回来后再重规划。

账面收益：较单 agent 提升 3.4–25.5%，墙钟时间省约 1.5 倍。

L7 p.80 把纪律写在收益旁边：并行只有在协调保住正确性时才有益。拆解降低的是每条支线的 T，但所有支线的证据都要汇回重规划；协调一旦失守，多 agent 反而放大误差累积。

交接丢上下文、全局约束失守的完整版，第三讲的「要不要委派」详解已摊开，本篇只取它作为长时程解药的一面。

L7 p.79 的产品侧呼应是 Codex 后台 computer use：跨天跨周的挂起任务、多 agent 并行、实时协作。长时程的产品形态是挂起、并行、随时候命，而非一次跑完。

与本讲的连接

本篇下钻的是伴读第一节「走不远（长程任务）」那一小段。ρ^T 在伴读只占一行，延迟成本与验证缺口这两页账、三把新尺子的来历，都补在这里；讲次页 quiz 第一题正是这道乘法换算。

五张资料卡各有站位：

• m4-osworld2 与 m4-osworld：原尺与续作，评估单位从单任务升到 1.6 小时的工作流
• m4-odysseys：rubric 部分分
• m4-macu：并行解药
• m4-codex-cu：产品形态

同讲连读：第 2 篇量什么讲评估层级怎么选，第 5 篇把世界搬进沙箱讲环境从哪来；跨到第三讲，MACU 当过多智能体辩论的正方主角，本篇只取它的减税用途。三页账对三把尺：误差累积配 rubric 部分分，延迟成本配并行拆解，验证缺口配过程审计。