#Otomatik Değerlendirme

AgentHorizon, Uzun Görevleri Değerlendiren AI Hakim Modellerini Test Ediyor

Yeni araştırma, bilgisayar-kullanıcı ajanların karmaşık multi-uygulama görevlerde otomatik değerlendiricilerin güvenilirliğini sorguluyor