BenchmarkWebArena
Web Arena
AI智能体评测基准，将目标网站打包成固定Docker镜像，用于评估智能体在Web环境中完成任务的能力，保证评测可复现性
Timeline (last 90 days)
Sep 26
2024年CMU Graham实验室的Web Arena抓取Amazon、Reddit等真实网站数据填充环境，是里程碑式工作，包含约800个任务、四个应用，验证器由CMU研究生手写
Unverified50%
Sep 16
现有主流智能体评测基准（如Web Arena、SWE-Bench、Gaia、TerminalBench）大多假设一个静态环境，在评测过程中环境不变
Unverified50%