摘要
现有 Web 智能体基准多集中于短程单站任务，难以反映现实世界中涉及多站点、长时程的复杂工作流。为此，本文提出 Odysseys 基准，包含 200 个源自真实浏览会话的长程任务。研究指出二元评估的局限性，引入基于量表的细粒度评估方法，显著提升与人的一致性。实验显示最强模型成功率仅 44.5%，且轨迹效率极低，表明当前智能体在高效长程规划方面仍有巨大提升空间。
AI 推荐理由
论文聚焦长程任务规划与多步工作流，核心评估 Agent 的跨站点规划能力。
研究机构
卡内基梅隆大学
论文信息