热点事件持续更新
ServiceNow与McGill发布AgentHorizon基准评估LLM裁判能力
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
2026年10月14日，ServiceNow 与 McGill 发布 AgentHorizon 基准，用于评估 LLM judge 在长程计算机任务中的评判能力。据该报道，基准包含来自人类屏幕录制的 1,373 个评审任务，并通过交换近似任务的指令构造负例，以检验 LLM judge 能否区分真正成功的 agent 轨迹与相似但不合格的轨迹。报道指出，LLM judge 仍难以识别长程计算机任务中的细微错误。目前进展停留在基准发布与上述结论，报道未提及后续更新或更多细节。
AI 根据报道生成 · 1 小时前更新
最新进展10月14日 17:52
ServiceNow与McGill发布AgentHorizon基准，含1373个评审任务，显示LLM judge难辨细微错误。报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- Rohan Paul (@rohanpaul_ai) · XServiceNow 与 McGill 发布 AgentHorizon 基准，LLM judge 仍难识别长程计算机任务中的细微错误
ServiceNow 和 McGill 发布 AgentHorizon 基准，包含来自人类屏幕录制的 1,373 个评审任务，通过交换近似任务的指令构造负例，检验 LLM judge 能否区分真正成功与相似但不合格的 agent 轨迹。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。