热点事件持续更新
研究团队推出长流程电脑操作评测基准AgentHorizon
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年10月9日，研究团队推出计算机使用评测基准 AgentHorizon。该基准基于3个操作系统的166小时人类轨迹，构建了1,373个任务对，并划分为 AH、AH-S 和 AH-D 三个子集。在对11个裁判模型的评测中，表现最佳的智能体裁判 GPT-5.5 在 AH 子集上取得了80.9%的平衡准确率。此外，研究还发现工具调用虽可改善部分模型的表现，但会导致开源权重模型的性能出现下降。
AI 根据报道生成 · 3 小时前更新
最新进展10月9日 12:00
研究团队推出评测基准AgentHorizon，GPT-5.5裁判在AH子集取得80.9%平衡准确率。报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv 人工智能AgentHorizon：评估长流程计算机使用任务中的智能体裁判
研究团队推出计算机使用评测基准 AgentHorizon，基于 3 个操作系统的 166 小时人类轨迹构建了 1,373 个任务对，并划分为 AH、AH-S 和 AH-D 三个子集。在对 11 个裁判模型的评测中，表现最佳的智能体裁判 GPT-5.5 在 AH 子集上取得了 80.9% 的平衡准确率。研究还发现工具调用可改善部分模型，但会导致开源权重模型性能下降。
本事件热度走势
当前热度 9·可比范围峰值 10（10月9日 12:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。