★ 3
AgentHorizon 基准发布：评测长周期电脑操作智能体裁判
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。
arXiv cs.AI24 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
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。
文章分享为自动编程评测工具设计机器学习练习的经验，提出将机器学习问题框定为输入-输出评测任务，使每道题具有唯一确定性答案，从而借助 VPL for Moodle、Codeforces、MOJ 等工具支持 AI 教学。作者强调这不是新的自动评分系统，而是改善 AI/机器学习学习方式的教学视角，鼓励理…