基准AgentRewardBench
AgentRewardBench
用于评估网页智能体任务完成判断能力的基准测试集，包含专家标注的智能体轨迹数据
时间轴 (近 90 天)
10月17日
在 AgentRewardBench 的 1,302 条专家标注轨迹上，JEV-27B-VL 报告 AUROC 0.91，阈值 0.5 时精确率 78.4、召回率 70.2。
待验证50%
用于评估网页智能体任务完成判断能力的基准测试集，包含专家标注的智能体轨迹数据
在 AgentRewardBench 的 1,302 条专家标注轨迹上，JEV-27B-VL 报告 AUROC 0.91，阈值 0.5 时精确率 78.4、召回率 70.2。