ServiceNow与McGill论文：AI评审难抓长程任务细微错误
先了解这件事
AI 综述
2026年10月14日，X用户Rohan Paul分享了ServiceNow与McGill的一篇新论文，指出用大语言模型（LLM）评审agent运行时，长程计算机操作任务中的细微错误仍容易被漏判，且为其添加工具也未必有帮助。研究构建了名为AgentHorizon的评测集，包含1,373项评审任务，数据来自人工屏幕录制的近似任务对并互换指令，使每次失败都对应一个针对略有差异请求的干净成功运行，从而便于识别评审中的误判。
报道时间线
10月14日
- ServiceNow 与 McGill 论文：AI 评审在长程计算机操作任务中仍漏判细微错误
ServiceNow 与 McGill 的新论文指出，用 LLM 评审 agent 运行时，长任务中的细微错误仍易被漏判，为其添加工具也未必有帮助。研究构建了 AgentHorizon，包含 1,373 项评审任务，数据来自人工屏幕录制的近似任务对并互换指令，使每次失败都对应一个略有差异请求的干净成功运行。
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。