AgentHorizon 基准发布：AI 评委审长程任务漏掉两成细微错误

ServiceNow Research 联合麦吉尔大学等机构发布 AgentHorizon 基准（arXiv:2610.11050），基于 1373 项任务系统评测 LLM 充当「裁判」评估 computer-use agent 长程任务表现的能力。结果显示，AI 评委仍会漏掉约 20% 的细微错误，暴露出大模型作为自动化评审者的可靠性局限。

2026-10-14 ~ 2026-10-14 · 2 条相关

• AgentHorizon 基准：AI 评委审长程任务仍漏掉 20% 细微错误 — rohanpaul_ai · 2026-10-14
• ServiceNow 与麦吉尔发布 AgentHorizon：1373 项任务考 AI 裁判 — rohanpaul_ai · 2026-10-14