WebArena: بنچمارک ۸۱۲-تسک که آنچه را که ایجنتهای وب واقعاً میتوانند و نمیتوانند انجام دهند اندازهگیری میکند
GPT-4 تنها 14.41% از 812 وظیفه وب WebArena را کامل میکند در برابر 78.24% برای انسانها؛ عاملها بیشتر با اعلام نادرست غیرممکن بودن یک وظیفه شکست میخورند.