每五条判错一条，他们管这叫最强
速评：10 月 8 号挂上 arXiv 的 AgentHorizon，把自动评审的底裤扒了一半，剩下一半作者自己捂着。 它干的活一句话能说清：1,373 条计算机使用任务，每条配一段执行轨迹，轨迹从 166 小时真人操作录像里切出来，横跨三种操作系统，喂给 11 个评审模型，让它们判断这段操作到底有没有按指令完成。
AgentHorizon1 篇实战文章
速评：10 月 8 号挂上 arXiv 的 AgentHorizon，把自动评审的底裤扒了一半，剩下一半作者自己捂着。 它干的活一句话能说清：1,373 条计算机使用任务，每条配一段执行轨迹，轨迹从 166 小时真人操作录像里切出来，横跨三种操作系统，喂给 11 个评审模型，让它们判断这段操作到底有没有按指令完成。