AgentHorizon：长程计算机使用任务评测基准发布

2026年10月9日，研究者在 arXiv 发布 AgentHorizon 基准，用于评测长程计算机使用任务中的智能体裁判。该基准包含 1,373 个计算机使用任务（指令-轨迹对），轨迹来自 166 小时、覆盖三个操作系统的人类录制；研究团队还通过交换相近指令构造负样本任务，以检验裁判对任务差异的判别能力。目前公开信息仅涉及基准构成与构造方式，尚无后续评测结果或外部验证报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。