事件专题 ·多源确认

browser_use 发布 odysseys2 基准:100 个真人网页任务,gpt-6 astra 完成 47 个

browser_use 联合 CMU 推出浏览器智能体基准 odysseys2,包含 100 个实时网页任务,每个任务最长 60 分钟。任务包括玩 openguessr 地理猜谜、把乐高说明书转换成零件清单、在 5 个国家获取二手交易报价等需要多步操作的真实网页场景。 当前最好成绩是 gpt-6 astra 完成 47 个任务,opus 5.5 完成 18 个,另有 5 个模型成绩为 0。这说明现有模型在长时间、多步骤的真实网页操作上仍有很大差距,单步能力测试的高分并不能代表实际浏览任务的可靠性。 对做智能体产品的开发者来说,odysseys2 提供了一套比静态截图任务更接近真实使用的评测标准,可以用来衡量自己产品在长时程浏览器自动化上的能力。

当前结论

browser_use 和 CMU 搞了个很狠的浏览器智能体基准,任务直接在真实网页上跑,最长 60 分钟一个。gpt-6 astra 才过 47/100,opus 5.5 只有 18,还有 5 个模型挂零。做智能体评测的都该看看任务设计。

11 个信源38° AI 热度最后更新 2026/11/19 22:40:19

证据链

11 个信源
相关来源 3掘金本周最热
查看原文
相关来源 4Artificial Analysis
查看原文
相关来源 9歸藏(guizang.ai)
查看原文

冲突核查

现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。