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
SWE-bench和WebArena是Agent范式下的典型评估基准
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）
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
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
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
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
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%
还有 1 条时间轴事件
全部知识事实 (12)
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%