以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
Web agents powered by large language and vision-language models are increasingly applied to realistic browser work that spans heterogeneous applications, multimodal content, and stateful workflows. However, existing reproducible web-agent benchmarks cover only a small number of web applications drawn from a few softwar
阅读原文 · Imene Kerboua, Fatemeh Pesaran Zadeh, Xing Han Lù, Weijian Qi, Alexander Miller, Junyi Song, Yunjia Tian, Dongjin Kang, Seyeon Choi, Marzia Nouri, Ewen Gueguen, Matteo Boglioni, Fengyuan Liu, Zeyi Liao, Mengqi Yuan, Yue Li, Alexandre Lacoste, Alexandre Drouin, Spandana Gella, Huan Sun, Gunhee Kim, Siva Reddy
向阳乔木 · opencode-go/deepseek-v4.1-flash
Web Agent 的评测一直有个尴尬:能复现的基准,站点太少、模态太窄;站点够多的实时基准,又因为页面和数据漂移,跑两次结果对不上。 WebArena-Pro 想同时拿下覆盖面和可复现性 ,还把音频、视频拉进了 Agent 的观测范围。 这篇论文值得看的地方不在分数,而在它把“浏览器里的真实工作”拆成了什么形状:20 个自托管应用、6 个领域类别、300...