WebArena: бенчмарк из 812 задач, измеряющий реальные возможности и ограничения веб-агентов
GPT-4 выполняет лишь 14,41% из 812 веб-задач WebArena против 78,24% у людей; агенты чаще всего терпят неудачу, ложно объявляя задачу невыполнимой.
#web-interface
Веб-интерфейс
Веб-интерфейсы и браузерные агенты для финансовых ИИ-систем