AI智能体基准测试各有侧重：SWE-Bench测代码修复，GAIA测多工具推理，WebArena测网页操作，OSWorld测桌面任务。但榜单忽略成本、延迟、安全与错误恢复，且存在数据污染和自动评分偏差。应将其作为初筛信号，再结合自身业务构建私有评测，才能可靠判断智能体能否真正胜任生产任务。

哈工大校友、WebArena作者Shuyan Zhou于年初离开杜克大学，加入Meta超级智能实验室，主攻AI浏览器。她博士毕业于卡内基梅隆大学，研究让AI智能体在真实网页环境中替用户完成任务，代表作包括WebArena、VisualWebArena和OSWorld，初衷源于帮妈妈用对话订机票。Meta超级智能实验室华裔占比近半，已推出个人智能体Muse。