在 46 项 Long-Horizon Terminal-Bench 任务中，有一项 super-mario 要求智能体真正去 玩这个游戏——在整整 90 分钟预算里，通过终端逐回合地下达操作。运行结束后， 隐藏验证器会在一个固定种子的引擎里回放智能体自己的操作日志，并把结果渲染成视频。 这里没有任何手工制作的内容：下面每一段视频都是某个模型的真实通关过程， 与打分器所见的完全一致。

每张卡片上的数字，是该次运行在 [0, 1] 区间内的归一化 super-mario 奖励： 完整通过的关卡数，加上当前关卡内的分数进度，再除以三关的通过上限 （通关至世界 1-3 = 1.0）。我们也标出了每个智能体实际走了多远。 值得注意的是，只有四个模型曾通过世界 1-1——大多数都死在第一关。