AGI Hunt· rohanpaul_ai·· 3 小时前AI 评分52
ServiceNow 等发布 AgentHorizon 基准，AI 评委审长程任务仍漏掉 20% 细微错误
AgentHorizon 基准：AI 评委审长程任务仍漏掉 20% 细微错误
AI 导读
ServiceNow Research 与麦吉尔大学等发布 AgentHorizon 基准，系统评测 LLM 作为裁判判断 computer-use agent 长程任务成败的可靠性。
来源：AGI Hunt · agihunt.info