浏览器Agent基准测试：谁才是网页自动化的最强LLM？

Browser Use团队发布了一项开源基准测试，旨在对比不同LLM在网页自动化任务中的性能。该测试集精选了100个高难度任务，涵盖信息检索与复杂交互。团队使用LLM作为裁判，实现了87%的人工判断一致性。结果显示，最新模型在困难任务上的成功率已突破60%，证明AI智能体处理真实网页的能力显著提升，但大规模评估的成本依然高昂。