论文中美对照多源确认精选18:00ServiceNow与McGill研究：AI裁判难以发现智能体任务的细微错误想让LLM给智能体打分？GPT-5.5在困难集也只有80.9%，Qwen加工具反而掉分。#AgentHorizon#GPT-5.5#Qwen#智能体3 个信源在谈事件专题rohanpaul_ai@rohanpaul_ai4 个信源在谈原文稍后读已读值得跟进有用关注 AgentHorizon
