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