English(EN) OSReward: Instituting Standardized Evaluation for Cross-Platform Computer-Use Reward Models

新的OSReward基准揭示VLM裁判对AI代理存在宽容倾向

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-30 00:00

研究人员推出了OSReward，这是一个旨在评估视觉语言模型（VLM）作为计算机使用代理（CUA）裁判的可靠性的新基准。该基准包含跨多个平台的真实CUA轨迹，其地面真实判决来自多阶段的人工标注。初步评估显示，即使是最先进的VLM也表现出宽容偏差，将失败的任务错误地归类为成功，而最可靠的模型成本过高。为解决此问题，该团队开发了OS-Shepherd-100K，这是一个带标注判决的开放语料库，并训练了OS-Shepherd奖励模型，这些模型在成本显著降低的情况下提供了与商业裁判相当的性能。 AI

影响该基准和OS-Shepherd模型可以提高评估AI代理的可靠性和成本效益，可能加速该领域的研究和开发。

排序理由该集群描述了一篇介绍用于评估AI代理的基准和相关模型的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一篇介绍用于评估AI代理的基准和相关模型的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 70 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

Hugging Face Daily Papers TIER_1 English(EN) · 2026-07-30 00:00

OSReward：为跨平台计算机使用奖励模型建立标准化评估

Computer-using agents (CUAs) are advancing rapidly across the digital world. A CUA trajectory records the agent's actions, states, and reasoning. Verifying whether it fulfilled the task instruction is central to CUA evaluation, data curation, and reinforcement learning. Neither h…

本文如何被排名

报道来源 [1]

OSReward：为跨平台计算机使用奖励模型建立标准化评估

相关实体

相关话题