CMU 的 Odysseys2 基准测试揭示：网页智能体在 100 项真实任务中失败 53 项

卡内基梅隆大学与 Browser Use 的 Odysseys2 用 982 项检查评测 100 项长时间真实网络任务，且必须全部通过才算完成。领先配置 GPT-6 Astra 完美完成 47 项，另有 5 个智能体一项未完成；而会检查交付文件的更严格评判把重评尝试的平均分砍掉了一半。这很重要，因为它表明网页智能体离可靠的知识工作还很远，而且支架、评判标准和时间预算对排名的影响不亚于模型本身。

• Alpha Signal2026-10-28 04:42