2026年6月14日阅读需 2 分钟WebArena：包含 812 个任务的基准测试，衡量 Web 智能体真实的能与不能GPT-4 仅完成 WebArena 的 812 项网页任务中的 14.41%，而人类为 78.24%；智能体大多因错误地宣称任务不可能而失败。Mike Thriftaillmautomation
