WebVoyager
浏览器智能体公开评测基准，基于真实网站任务评估端到端任务成功率。
时间轴 (近 90 天)
在相同 harness 下对比 BF16 和 NVFP4，WebVoyager 从 77.72 降至 66.31，DeepSWE 从 24.65 降至 18.2，MMLU-ProX 从 76.91 降至 73.76，其他行差距在噪声范围内。
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。
2024年以来，随着多模态大模型能力提升，Browser Use、WebVoyager、Anthropic的Computer Use等项目相继出现
一些成熟的视觉Agent框架(如SeeAct、WebVoyager)引入Set-of-Mark(SoM)技术,在截图上为可交互元素标注编号标记,将坐标定位问题转化为选择题
代表性浏览器Agent项目包括WebVoyager、Agent-E以及商业产品Browserbase和Multion
VLM 视觉方案（如 WebVoyager、SeeAct）存在幻觉问题、坐标定位精度不足，且每次操作需消耗大量 token 处理图像信息
视觉语言模型方案的代表性项目包括 WebVoyager 和 SeeAct，存在幻觉和坐标定位精度不足问题
全部知识事实 (7)
在相同 harness 下对比 BF16 和 NVFP4，WebVoyager 从 77.72 降至 66.31，DeepSWE 从 24.65 降至 18.2，MMLU-ProX 从 76.91 降至 73.76，其他行差距在噪声范围内。
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%待验证一些成熟的视觉Agent框架(如SeeAct、WebVoyager)引入Set-of-Mark(SoM)技术,在截图上为可交互元素标注编号标记,将坐标定位问题转化为选择题
50%待验证代表性浏览器Agent项目包括WebVoyager、Agent-E以及商业产品Browserbase和Multion
50%待验证VLM 视觉方案（如 WebVoyager、SeeAct）存在幻觉问题、坐标定位精度不足，且每次操作需消耗大量 token 处理图像信息
50%待验证视觉语言模型方案的代表性项目包括 WebVoyager 和 SeeAct，存在幻觉和坐标定位精度不足问题
50%待验证2024年以来，随着多模态大模型能力提升，Browser Use、WebVoyager、Anthropic的Computer Use等项目相继出现
50%