先了解这件事
2026年1月31日,Browser Use 发布开源浏览器 Agent 基准 BU Bench V1,包含 100 项从五个来源挑选的高难度浏览器任务,任务集加密以防训练污染。评测由 gemini-2.5-flash 以真/假二元判定打分,与人工标注的一致率为 87%;结果显示 Browser Use Cloud 得分 78%,比最好的开源模型高 16 个百分点,并以约每小时 14 个任务成为最快方案,基准代码已开源。2026年2月23日,Browser Use 进一步公开其浏览器智能体评测系统的工程实现:用 Blacksmith runners 在 GitHub Actions 上并行跑 100 个复杂网页任务,端到端耗时不到 5 分钟,并把 LLM judge 直接内建在智能体代码中;评测任务取自数百万条 LLM 标注的用户 span,而非合成站点,通过多次重复运行、固定 agentic 设置和统计 bootstrapping 处理真实网页的方差,最终 judge 由 gemini-2.5-flash 驱动,在 200 条人工标注轨迹上达到 87% 的人类一致性,并已开源 ben
AI 根据公开报道生成
最新进展 · 正式报道
Browser Use 如何为 AI 网页智能体搭建可扩展评测基础设施事件进展
2 个已确认进展
- 来源：Browser Use
- 来源：Browser Use
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
2月23日
Browser Use一手
Browser Use 如何为 AI 网页智能体搭建可扩展评测基础设施
Browser Use 公开其网页智能体评测系统的工程实现：用 Blacksmith runners 在 GitHub Actions 上并行跑 100 个复杂网页任务，端到端耗时不到 5 分钟，并把 LLM judge 直接内建在智能体代码中。评测任务取自数百万条 LLM 标注的用户 span，而非合成站点，通过多次重复运行、固定 agentic 设置和统计 bootstrapping 处理真实网页的方差。其最终 judge 由 gemini-2.5-flash 驱动，在 200 条人工标注轨迹上达到 87% 的人类一致性，并已开源 benchmark 与 judge prompt。
1月31日
Browser Use一手
Browser Use 发布 BU Bench V1：100 项浏览器任务评测基准
Browser Use 开源了首个评测基准 BU Bench V1，包含 100 项从五个来源挑选的高难度浏览器任务，任务集加密以防训练污染。评测由 gemini-2.5-flash 以真/假二元判定打分，与人工标注的一致率为 87%。结果显示 Browser Use Cloud 得分 78%，比最好的开源模型高 16 个百分点，且以约每小时 14 个任务成为最快方案；基准代码已开源于 github.com/browser-use/benchmark。