这篇论文提出了WebArena这个环境与测试基准，在24年1月发表。 之前的agent都是在一些简化过的合成环境中测试的，这会导致与现实场景脱节。这篇论文构建了一个高度逼真、可复现的环境。该环境涉及四个领域：电子商务、论坛讨论、软件开发和内容管理。基于环境又引入了一组基准任务，用来评估任务完成的正确性，这些任务可以模拟人类在互联网上的日常行为。另外该基准被证明是具有挑战性的，GPT-