研究问题

过度简化的网页任务不能代表实际操作。WebArena 提供自托管、可复现的网站环境,覆盖购物、论坛、协作开发和内容管理等场景。

评价对象与图的作用

Agent 根据自然语言目标操作网站,评测任务完成的功能正确性。任务包含长链操作和跨页面状态,但其默认输出不是计划图;图的边需要另行定义并与网站状态对应。

适合研究什么

可以观察界面变化、操作依赖和失败恢复,也能检查 API 环境上的收益能否跨交互形式保留。GUI grounding 和网站部署会引入额外误差,应与规划错误分开报告。

工程边界

论文历史结果不是当前排行榜。官方 README 已区分 canonical 实现与 BrowserGym/AgentLab 等后续实验基础设施;切换框架时不能默认重现协议完全相同。

关联阅读

WebArena 实施入口;BrowserGym;WorkArena 企业任务;OSWorld 跨应用任务。

原始来源与阅读范围

Zhou et al. / arXiv · 2023-07-25。本轮范围:元数据与摘要核验;采集日期:2026-11-16。来源陈述与本库提出的实验设想在正文中分别说明。