WebArena（网页智能体基准）

WebArena 把多个真实网站（购物、论坛、代码托管、地图等）克隆为自托管的受控实例，并保证任务前后状态可重置。Agent 通过标准网页交互（点击、输入、导航）完成任务，如「把购物车里超过 50 元的商品按价格排序后下单」。

任务评测是端到端的：既检查最终网页状态是否达成（如订单是否生成），也允许结合页面信息验证。相比纯文本问答，它要求 Agent 真正「理解界面 + 操作界面 + 整合跨页信息」，对 Web Agent 提出更高要求。

WebArena 推动了浏览器 Agent 研究，但也暴露难点：网页布局多变导致脆弱、长任务易中途迷失、以及「奖励黑客」（钻环境漏洞刷分）。后续工作（如多 Agent 协作版）在其基础上持续迭代。

WebArena 将演化为「多模态、多站点、带业务后果」的更真实基准，并引入成本与隐私维度，使网页 Agent 评测贴近生产部署的实际约束。