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），以 1373 项任务评测 LLM 充当裁判的能力。结果显示，AI 评委在评估 computer-use agent 长程任务时仍会漏掉约 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。