VisualWebArena 是一个用于评估多模态网页智能体（Web Agent）能力的开源基准测试平台，它在经典纯文本基准 WebArena 的基础上扩展了视觉输入，让模型需要根据页面截图与图文混合的任务描述来完成购物、社交、分类信息网站上的真实操作任务。作为当前衡量“看懂网页并动手操作”能力的主流基准之一，它被广泛用于对比不同视觉语言模型在网页任务上的成功率与鲁棒性。
VisualWebArena 近期进展
当前焦点与观察点
围绕 VisualWebArena 的讨论正在从“跑分”转向“跑分是否可信”。一方面，CLIFT 等工作把开源模型推到了与闭源旗舰模型可比的水平，31B 级别模型超越 Gemini 3 Flash 的结果说明训练方法比单纯堆参数更关键；另一方面，自改进与记忆机制被证明对任务顺序、任务描述歧义等因素脆弱，这意味着不同论文报告的成功率可能并不在同一条件下测得。
值得关注的几个观察点：其一是评测协议的标准化，外部裁判被自验证替代后，判定标准本身的严格性需要交叉验证；其二是 VisualWebArena 与 WebArena 之间的结论迁移性，纯文本任务上的优势能否延续到视觉设置仍是开放问题；其三是记忆与自改进机制的稳健性评估，社区可能会推动在固定任务顺序、控制任务歧义条件下重新校准基线。对研究者和工程团队而言，解读该基准上的数字时应更关注实验设置细节，而非单一成功率排名。