AgentHorizon 基准发布：评测长周期电脑操作智能体裁判
原文标题：AgentHorizon: Evaluating Agentic Judges for Long-Horizon Computer-Use Tasks
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文推出 AgentHorizon，包含 1373 个电脑操作任务，来自 166 小时跨三种操作系统的真人轨迹。通过交换指令构造负样本，评测裁判区分成功与相似但不兼容轨迹的能力。GPT-5.5 作为最佳智能体裁判在 AH 子集达到 80.9% 平衡准确率，但工具使用对开源权重模型反而有害。
- 问题
- 长周期电脑操作智能体的自动裁判可靠性不明，轨迹看似完成实则违规。
- 方法
- 构建1373个任务基准，用交换指令构造负样本，评测裁判区分成功与相似但不兼容轨迹的能力。
- 结果
- GPT-5.5作为最佳裁判在AH子集达80.9%平衡准确率；工具使用对开源权重模型反而有害。
- 影响
- 为电脑操作智能体的训练与评估提供更可靠的裁判基准，提示工具增强并非普遍有效。
深读 · 结论先行AI 生成展开看要点与影响 ↓
AgentHorizon 含 1373 个电脑操作任务，最佳裁判 GPT-5.5 平衡准确率 80.9%
- •发布 AgentHorizon 基准，含 1373 个电脑操作任务（指令-轨迹对），来自 166 小时跨三种操作系统的真人轨迹
- •通过为相近指令录制轨迹并交换指令构造负样本，评测裁判能否区分成功轨迹与完成相似但不兼容请求的轨迹
- •发布三个划分：AgentHorizon（AH）、简化版 AH-S、开发版 AH-D
- •评测 11 个裁判，方式包括直接传入完整轨迹（最多 300 张截图与动作）以及作为编码智能体接入五种 harness
- •GPT-5.5 作为最佳智能体裁判在 AH 子集达到 80.9% 平衡准确率，但工具使用对开源权重模型反而有害
为什么重要：长周期电脑操作任务的自动裁判可靠性直接决定训练与评测能否脱离人工，80.9% 的准确率和「工具使用反而有害」的反直觉结论，对做 computer-use agent 评测的人很关键。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。