CMU与Browser Use发布长时程Web Agent基准Odysseys2

卡内基梅隆大学与 Browser Use 发布长时程网页智能体基准 Odysseys2：100 个真实网页长任务、982 项 pass/fail 检查。GPT-6 Astra 平均分 84.6，完整完成 47 项；第二名 Opus 5.5 完成 18 项，另有 5 个模型完成 0 项。 发布方在 GitHub 以 MIT 许可公开任务、评分标准、分数和 judge prompt，但基准不能完全复现：线上站点会变化，运行器、judge 实现和轨迹均未公开。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。