★ 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
#GPT-5.5
共 3 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
AI播客回顾：GPT-5.5与DeepSeek V4
本期播客总结了上周重大AI新闻，包括GPT-5.5和DeepSeek V4的发布，并讨论了AI安全破坏问题。节目为听众提供了快速了解行业动态的渠道。
Last Week in AI182 天前
★ 2
研究：GPT-5.5 竞赛编程表现随提示风格与指标而变
论文在IOI三道准确率任务与两道NP难速度任务上，用九种提示风格各一条提示测试GPT-5.5，发现没有普适最优提示，最佳风格取决于任务类型及均值/中位数汇总方式。与人类IOI选手描述性对比，AI一题超过平均选手、两题落后。
arXiv cs.LG10 天前
这个主题的相关资产
相关公司OpenAI1