LMA在基本任务上表现优于人类和强化学习代理，但在涉及任务组合的实际应用中，性能仍未得到充分探索。通过引入新的基准CompWoB，展示了LMA在组合任务上的表现下降。设计了新模型HTML-T5++，在MiniWoB上超过人类水平并在CompWoB上取得最佳零样本性能。然而，在改变组合顺序的不同指令组合下，性能进一步下降。与LMA的最新成功相反，基准和分析突出了构建稳健且可泛化的LMA的必要性。