研究者发布AgentHorizon计算机使用评测基准
热点事件持续更新
研究者发布AgentHorizon计算机使用评测基准
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
研究者 Xing Han Lù 等人发布 AgentHorizon 基准，用于评估评判模型在长周期计算机使用任务上的表现。该基准包含 1,373 个指令-轨迹对任务，取自 166 小时人类录制的轨迹，覆盖三种操作系统。 基准通过交换相近指令构造负样本任务，考察评判模型能否区分成功轨迹与完成相似但不兼容请求的轨迹。基准按 AH、AH-S、AH-D 三个划分发布。
AI 根据报道生成 · 1 小时前更新
最新进展10月9日 12:00
AgentHorizon：面向长周期计算机使用任务的智能体评判基准报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv cs.LGAgentHorizon：面向长周期计算机使用任务的智能体评判基准
研究者推出 AgentHorizon 基准，包含 1,373 个计算机使用任务（指令-轨迹对），取自 166 小时人类录制的轨迹，覆盖三种操作系统。该基准通过交换相近指令构造负样本任务，评估评判模型区分成功轨迹与完成相似但不兼容请求的能力，并发布 AH、AH-S、AH-D 三个划分。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。