ServiceNow 开源 AgentHorizon 基准考 LLM 裁判

ServiceNow 团队发布并开源 AgentHorizon 评测套件（arXiv:2610.11050），用于检验 LLM 裁判能否准确判断 GUI agent 是否真正完成 100-300 步的长程计算机使用任务。基准包含 1373 个百步级任务，并配套 166 小时真人录屏的 1373 条长程 GUI 轨迹，为长程 agent 完成度评估提供了新工具。

2026-10-10 ~ 2026-10-10 · 2 条相关

• AgentHorizon 基准发布：1373 个百步级任务考 LLM 裁判 — xhluca · 2026-10-10
• 166 小时真人录屏：AgentHorizon 开源 1373 条长程 GUI 轨迹 — xhluca · 2026-10-10