AgentHorizon长程计算机任务评测基准发布

2026年10月14日，X用户Rohan Paul（@rohanpaul_ai）分享了一篇题为《AgentHorizon: Evaluating Agentic Judges for Long-Horizon Computer-Use Tasks》的论文，并附上arXiv链接（arxiv.org/abs/2610.11050）。据该分享，AgentHorizon是一个面向长周期计算机使用任务的智能体评判（Agentic Judges）评测基准。目前可确认的信息仅来自这一条分享：论文标题、主题方向及arXiv编号。关于该基准的具体任务构成、评测指标、数据规模、发布时间与限制等细节，报道中均未提供，暂无后续跟进报道，也无与早先报道存在数字或说法矛盾的情况。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。