AgentHorizon 基准发布：1373 个百步级任务考 LLM 裁判
xhluca · x · 2026-10-10
作者发布 AgentHorizon 基准（arXiv:2610.11050），评测 LLM 裁判能否判断 100-300 步的长程计算机使用任务是否真正完成、或 agent 是否误解了指令。
所属事件:ServiceNow 开源 AgentHorizon 基准考 LLM 裁判(2 条相关)→
「编程与Agent」频道最新
- Reward-Rate Policy Gradient：让 agent RL 学会为执行时间买单 — sherryyangML · 2026-10-14
- 开发者盛赞：Opus 5.5 或是迄今最佳模型，Claude Code 框架功不可没 — dreamwieber · 2026-10-14
- tldraw新插件可在ChatGPT内运行嵌入式画布应用 — max__drake · 2026-10-14
- MazeBench新纪录:Schema配GPT-6 Astra得33%,超人类中位数 — patience_cave · 2026-10-14
- MazeBench 上线免费试玩，Schema 框架配 GPT-6 Astra 刷新纪录至 33% — patience_cave · 2026-10-14
- Perplexity Computer 用 Ghidra 反编译闭源键盘应用并移植成 Linux 原生 Rust 版 — AravSrinivas · 2026-10-14