WebArena: Benchmark s 812 úlohami, ktorý meria, čo weboví agenti skutočne dokážu a čo nie
GPT-4 dokončí len 14,41 % z 812 webových úloh WebArena oproti 78,24 % u ľudí; agenti väčšinou zlyhávajú falošným vyhlásením, že úloha je nemožná.
#fava
Fava
Fava webové rozhranie pre Beancount a výskum súvisiacich nástrojov