2026年6月14日約1分WebArena: Webエージェントの真の能力と限界を測定する812タスクのベンチマークGPT-4はWebArenaの812ウェブタスクのわずか14.41%を完了、人間は78.24%。エージェントはタスクを不可能と誤って宣言して失敗することが多い。Mike Thriftaillmautomation
