📄ArXiv AI•較早收集於 9h
HORIZON 診斷 LLM 代理長視野失敗
💡新基準揭示頂尖 LLM 代理長任務失敗原因—代理開發者必讀。（38字）
⚡ 30-Second TL;DR
有什麼變化
推出跨領域 HORIZON 基準，用於長視野代理任務。
為什麼重要
實現代理失敗的原則性診斷與比較，加速可靠長視野 AI 開發。為面對長任務崩潰的開發者提供實務指導。
下一步行動
造訪 https://xwang2775.github.io/horizon-leaderboard/ 來基準測試您的 LLM 代理。
誰應關注：Researchers & Academics
關鍵要點
- •推出跨領域 HORIZON 基準，用於長視野代理任務。
- •評估 GPT-5 變體與 Claude，涵蓋 4 領域 3100+ 軌跡。
- •提出基於軌跡的 LLM-as-a-Judge，人類驗證一致性（κ=0.84）。
- •發布排行榜網站供社群貢獻。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗