2026年6月14日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 仅完成了 WebArena 812 个现实网页任务中的 14.41%，而人类达到了 78.24%；主要的失败模式是误判不可行性（false infeasibility）——即保守地拒绝执行——这对于任何操作 Fava 或金融网页 UI 的智能体都有直接影响。mikeaillmautomation
