HaiAI123

全球AI工具精选导航

新行业动态
新上榜

浏览器 Agent 第二轮实测:100 个真实任务比补救能力

2026/11/17 — 11/17 09:15·1 个来源(全部)·1 篇报道(全部)

核心速览 (Key Takeaways)

  • 第二轮评测在 100 个 Online-Mind2Web 真实网站任务上运行六个本地配置,新增 BrowserOS 和 Grok Bot,统一使用 Claude Haiku 5.5、有头浏览器、10 分钟上限和一次尝试,由 WebJudge 基于动作与截图判分。
  • 结论是头部浏览器 Agent 完成率仍大致相当,前三名差距在统计上不显著,真正拉开差距的是点击失败后的补救。

事件背景与详细解读

2026 年 11 月 17 日 09:04,DEV Community 的 AI 栏目发布了浏览器 Agent 第二轮实测结果。本轮沿用第一轮的 100 个 Online-Mind2Web 真实网站任务,在真实站点上运行,参测本地配置由第一轮的 5 个增加到 6 个,新增 BrowserOS 和 Grok Bot。6 个本地配置部署在同一台数据中心服务器上,统一使用 Claude Haiku 5.5,采用有头浏览器,单任务限时 10 分钟,且每个任务只允许一次尝试,评分由基准自带的 WebJudge 依据操作动作与截图完成。

评测结论显示,头部浏览器 Agent 完成的真实任务比例仍大致相当,前三名之间的差距在统计上并不显著,例如 BrowserOS 与 5dive 的对比 p 值为 0.29。真正拉开差距的是普通点击失败后的补救方式:BrowserOS 在补救中执行了 94 次按屏幕坐标点击和 216 次页面内 JavaScript 调用,工具调用失败率为 6%;而作者自研的浏览器相应失败率为 19%。目前材料只披露到这一轮的测试条件与结果对比,未涉及后续轮次安排。

AI 综合 1 篇报道生成 · 更新于 4 小时前

updream
24 小时热度热度指数 90 · 峰值 97 · 2 小时前
24 小时前现在

这件事的报道 点标题看原文

今天
  1. 第二轮评测在 100 个 Online-Mind2Web 真实网站任务上跑了六个本地配置,新增 BrowserOS 和 Grok Bot,统一使用 Claude Haiku 5.5、有头浏览器、10 分钟上限和一次尝试,由 WebJudge 基于动作与截图判分。结论是头部浏览器 agent 的完成率仍大致相当,前三名差距在统计上不显著(BrowserOS 对 5dive p = 0.29),真正拉开差距的是普通点击失败后的补救方式——BrowserOS 用了 94 次按屏幕坐标点击和 216 次页面内 JavaScript 调用,工具调用失败率 6%,而作者自己的浏览器为 19%。

    看浏览器 Agent 真实任务表现,别只看成功率,要看失败后的退路。

    DEV Community · AIAI 评分 52

同时在说的其他事

热度怎么算的?了解口径

热度按 48 小时内有多少个独立来源在说这件事算:同一个来源发多条只算一次,并按 24 小时半衰期衰减,所以排前面的是很多人在说的事。

本页汇总公开订阅源,标题与摘要由模型整理,版权归原作者所有;重要信息请回原文核对。如权利人认为相关标题或摘要侵权,请通过页尾联系邮箱提供具体页面与权利依据,我们核实后会及时删除或替换。

爆
讨论快速增加
新
首报 6 小时内
发酵中
讨论仍在增加

回 AI 行业动态榜 →