ServiceNow 开源 AgentHorizon 基准，检验 LLM 裁判能否判准长程 GUI agent

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 完成度评估提供新工具。