WebArena
面向AI智能体任务评估的基准测试环境，用于标准化智能体在网页交互等真实世界任务中的评估框架
时间轴 (近 90 天)
评估开源浏览器Agent项目时，通常需要关注几个维度：是否提供可复现的基准测试（如WebArena、Mind2Web等浏览器任务评测集上的成功率）、依赖的模型是否可本地部署、以及回退策略的触发频率是否有量化数据。
评估智能体能力常用的基准包括工具调用类 BFCL 与交互式环境类 WebArena、SWE-bench。
OSWorld 和 WebArena 是业界常用的衡量模型在真实界面环境中完成多步任务比例的基准。
AgentBench和WebArena是静态基准的例子，提供可复现的测试集但容易过拟合。
业界 Agent 评测正在从静态数据集转向动态、交互式的环境评测，如 AgentBench、WebArena 等，重点考察模型在真实工具环境中的决策质量与安全性。
WebArena基准构建了多个可交互的仿真网站（如电商、论坛、GitLab），让Agent在浏览器中完成订票、发帖、改配置等多步任务。
SWE-bench和WebArena等Agent类基准开始考察多步操作和真实环境交互，部分弥补了传统基准的不足，但仍受限于仿真环境的保真度且评测成本高。
评估浏览器智能体通常使用 WebArena、WebVoyager、Mind2Web、GAIA 等公开基准，用真实网站上的多步任务测量端到端成功率和步数效率。
在WebArena浏览器智能体基准测试中，当时最强的GPT-4智能体得分14.41%，人类得分78.24%
WebArena、AgentBench、τ-bench等面向Agent能力的基准测试环境仍以沙盒模拟为主，难以捕捉生产级系统中真实的数据噪声、权限边界、延迟抖动与错误传播链条
还有 9 条时间轴事件
全部知识事实 (20)
在开源领域，与Browser-Use类似定位的项目还有LaVague、WebArena、Skyvern等
90%待验证Stanford University's WebArena benchmark, released in 2023, showed that even the most advanced AI models achieve only about a 14% success rate on complex operational tasks on real web pages
60%待验证评估开源浏览器Agent项目时，通常需要关注几个维度：是否提供可复现的基准测试（如WebArena、Mind2Web等浏览器任务评测集上的成功率）、依赖的模型是否可本地部署、以及回退策略的触发频率是否有量化数据。
50%待验证评估智能体能力常用的基准包括工具调用类 BFCL 与交互式环境类 WebArena、SWE-bench。
50%待验证OSWorld 和 WebArena 是业界常用的衡量模型在真实界面环境中完成多步任务比例的基准。
50%待验证AgentBench和WebArena是静态基准的例子，提供可复现的测试集但容易过拟合。
50%待验证业界 Agent 评测正在从静态数据集转向动态、交互式的环境评测，如 AgentBench、WebArena 等，重点考察模型在真实工具环境中的决策质量与安全性。
50%待验证WebArena基准构建了多个可交互的仿真网站（如电商、论坛、GitLab），让Agent在浏览器中完成订票、发帖、改配置等多步任务。
50%待验证SWE-bench和WebArena等Agent类基准开始考察多步操作和真实环境交互，部分弥补了传统基准的不足，但仍受限于仿真环境的保真度且评测成本高。
50%待验证评估浏览器智能体通常使用 WebArena、WebVoyager、Mind2Web、GAIA 等公开基准，用真实网站上的多步任务测量端到端成功率和步数效率。
50%待验证在WebArena浏览器智能体基准测试中，当时最强的GPT-4智能体得分14.41%，人类得分78.24%
50%待验证WebArena、AgentBench、τ-bench等面向Agent能力的基准测试环境仍以沙盒模拟为主，难以捕捉生产级系统中真实的数据噪声、权限边界、延迟抖动与错误传播链条
50%待验证SWE-bench和WebArena是Agent范式下的典型评估基准
50%待验证Agent 评估当前主流方案分为三类：基于确定性断言的任务完成率、LLM-as-Judge、端到端基准测试集（如 SWE-Bench、WebArena）
50%待验证WebArena、ToolBench 和 AgentBench 是当前主流的 AI Agent 基准，分别侧重网页操作、工具调用和多环境综合
50%待验证WebArena是卡内基梅隆大学于2023年推出的基准，部署了Reddit、GitLab、电商网站等真实Web应用的自托管副本
50%待验证WebArena、MiniWoB++、Mind2Web是浏览器自动化领域的早期代表性基准，分别侧重真实网站交互、简化网页操作和跨网站泛化能力
50%待验证Qwen3 27B 在电脑操作类基准上表现为 OSWorld Verified 84.3、WebArena Verified 64.8、AndroidWorld 81.9
50%待验证WebArena和Mind2Web等基准测试表明，当前最强的Web智能体在复杂网页任务上的成功率仍低于50%
50%待验证Agentic基准评测通常涉及SWE-bench、WebArena、GAIA等多个子基准的加权综合
50%