WebArenaの記事一覧

WebArenaは、Web環境での自律操作を評価するためのベンチマークです。管理画面、認証、状態差、本番操作をAIに丸投げしないための判断材料にします。

• AIエージェントのベンチマーク完全ガイド：SWE-benchだけでCodexの実力は分からない理由

  SWE-bench、Dialogue SWE-Bench、SWE-Skills-Bench、MarketBench、TerminalWorld、OSWorld、AgentHarmを分けて読み、Codexに任せる範囲と人間確認の残し方を整理します。

• OSWorld・WebArena・OdysseyBenchで読むコンピュータ操作AIの限界：ブラウザ確認や管理画面操作を丸投げしない理由

  OSWorld、WebArena、OdysseyBenchから、GUI、Web、複数アプリ長時間workflowの難しさと、Codex作業で人間確認を残す理由を整理します。