待验证50% 置信基准精确时间

WebArena、VisualWebArena基准测试框架显示，最先进的模型在复杂Web任务上的成功率仅在30%-60%之间

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/8/21

首次发现

有效期至：2026/11/19

来源

Gemini入驻Chrome移动端：Auto Browse开启AI代理浏览新时代

相关事实

待验证WebArena、OSWorld等基准测试环境用于标准化智能体任务的评估框架69% 相似待验证清华大学和智谱AI联合发布了一项全栈Web开发基准测试66% 相似待验证Web Platform Tests（WPT）测试套件包含超过 170 万个测试用例，通过率是衡量浏览器引擎成熟度的重要指标66% 相似待验证OpenAI内部测试数据显示，经过思维链分解的提示词在结构化任务上的准确率平均提升约30%-40%65% 相似待验证Webhook监控领域已有Hookdeck、Svix、Webhook.site等成熟工具，多聚焦于投递可靠性、重试机制和调试面板64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/783952

API

curl https://kongchang.com/api/v1/knowledge/claims/783952

MCP

get_claim(id=783952)