Primary sourceBrowser Use
View sourceEvent ·Multi-source
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。
Current read
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 sources38° AI heatLast updated 2026/11/19 22:40:19
Evidence
11 sourcesRelated source 1Lxfater
View sourceRelated source 2marktechpost
View sourceRelated source 3掘金本周最热
View sourceRelated source 4Artificial Analysis
View sourceRelated source 5宝玉
View sourceRelated source 6lmarena.ai
View sourceRelated source 7IT之家
View sourceRelated source 8@koltregaskes
View sourceRelated source 9歸藏(guizang.ai)
View sourceRelated source 10Andrew Curran
View sourceConflict check
Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.