浏览器 AI 智能体基准测试

随着“计算机使用（Computer Use）”和浏览器自动化智能体的爆发，如何客观评估这些 AI 的能力成了一个难题。这个项目就是为了解决这个痛点，它提供了一个开源的浏览器智能体基准测试。 测试集包含了 144 个真实网站上的 153 个日常在线任务。为了保证评估的准确性，它采用了 5 层记录、DOM 匹配以及 LLM 裁判相结合的评测机制。有趣的是，目前最高得分只有 33.3%，这说明现阶段的浏览器智能体在处理复杂真实网页时，还有很长的路要走。对于做 Agent 研发的团队来说，这是一个非常有价值的测试工具。