Atsuyuki Miyai

新的WebChoreArena基准测试AI代理处理复杂的网络任务

研究人员推出了WebChoreArena，这是一个扩展的基准，旨在评估网络浏览代理的能力，特别是在复杂和耗时的任务方面。这个新基准通过引入需要代理管理海量信息、执行精确计算以及在多个网页之间保持长期记忆的挑战，扩展了现有框架。使用WebChoreArena进行的实验表明，尽管当前的大型语言模型在这些更具挑战性的任务上有所改进，但即使是像GPT-5这样先进的模型，仍有很大的发展空间。