Bilanz der Quelle: AgentHorizon ist ein neuer Benchmark mit 1.373 Computer-Use-Aufgaben, der aus 166 Stunden menschlich aufgezeichneten Trajektorien über drei Betriebssysteme gewonnen wurde. Der beste getestete Richter, GPT-5.5, erreicht 80,9 Prozent balancierte Genauigkeit bei der Unterscheidung erfolgreicher und knapp fehlerhafter Läufe.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Kalina Digest unterstützen
Lesen bleibt frei. Wer mag, gibt etwas zurück — ab 1 € einmalig, oder als Stufe für einen Monat, ein Quartal oder ein Jahr. Bisher: 5.00 € aus 1 Beiträgen.
