本研究引入Online-Mind2Web基准，评估网络代理能力，涵盖300个任务，揭示真实能力。同时开发LLM-as-a-Judge方法，评估结果与人类判断高度一致，推动代理评估与发展。

Illusion of Progress? Assessing the Current State of Web Agents
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证