AgentHorizon：评估长时程计算机使用任务中的 Agent 裁判

英文标题：AgentHorizon: Evaluating Agentic Judges for Long-Horizon Computer-Use Tasks

AgentHorizon 关注如何评估长时程计算机使用任务中的 Agent 裁判。随着计算机使用 Agent 能够完成复杂任务，自动裁判越来越多地被用于在无人参与的情况下判定任务是否成功，以支持训练或评估。原摘要在讨论这类裁判对长任务的可靠性时被截断，未提供具体数据或结论，因此开发者尚无法从所给材料判断其可靠性。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB