Terminal-Bench挑战：长周期、高token消耗、单任务基准测试

Terminal-Bench Challenges是一种新的基准测试格式，旨在测试智能体在需要人类专家数月完成的大规模、长周期任务上的表现。首批发布了三个挑战：Rust编译器加速、推理引擎代码高尔夫和WASM WebGL渲染器。初步实验显示智能体表现参差不齐，主要失败模式包括缺乏探索空间和过度使用测试套件。