联系预约评估

行业与实践 · 标签「计算机使用」

最新优先最早优先

最新优先最早优先

研究与基准测试2026-10-146 分钟
AgentHorizon：评测长程计算机使用任务上的智能体评判者（续）
续篇只收录附录 B：算力与输入表示、错误类型召回、换支架，以及去掉指令、截图或动作日志后的消融。去掉指令后平衡准确率接近随机。
研究与基准测试2026-10-1422 分钟
AgentHorizon：评测长程计算机使用任务上的智能体评判者
一千三百七十三条人工录屏上的配对评测表明，最好的智能体评判者 GPT-5.5 在困难子集上平衡准确率只有 80.9%。工具使用帮了它，却让开放权重的 Qwen 直接评判更好；最难认的是已经做完、却多做了未经请求动作的副作用。