先了解这件事
AI 综述
2026年8月5日,Browser Use 发布其基准评测判分器的构建方法,披露了该判分器的设计思路。据其说明,在同一批 106 个任务上,GPT-5.5 五次运行各解出约 89 个任务,但每次解出的任务从不相同,因此单次运行只反映模型“多久做对一次”。此外,换用不同评判模型时,分数从 62.5% 到 83.7%,相差 21 个百分点,超过多数模型之间的差距。为此,Browser Use 将判分器改为可读取 trace 与工作区的智能体,用“交付结果百分比”替代通过/失败判定,并采用多次评判取中位数来抵消噪声。目前该故事尚无后续发展事实。
AI 根据公开报道生成
最新进展 · 正式报道
Browser Use 如何构建基准测试背后的评判器事件进展
1 个已确认进展
- 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。
8月5日
Browser Use一手
Browser Use 如何构建基准测试背后的评判器
Browser Use 披露其基准测试的评判器设计：同一批 106 个任务上，GPT-5.5 五次运行各解出约 89 个但从不相同，单次运行只反映模型“多久做对一次”；换用不同评判模型时分数从 62.5% 到 83.7%，相差 21 个百分点，超过多数模型之间的差距。为此他们把评判器改为可读取 trace 与工作区的智能体，用“交付结果百分比”替代通过/失败，并采用多次评判取中位数来抵消噪声。