恭喜 @browser_use 团队在 Odysseys 这一极具挑战性的长周期网络代理基准测试中夺得榜首：

https://odysseys-website.pages.dev/leaderboard

Odysseys 评估了真实世界、耗时数小时的网络工作流程，这些流程需要持续的规划、记忆、推理和验证，跨越众多网站和工具，远非简单的单步浏览器任务。

这是迈向真正强大的长周期代理的令人兴奋的进展。

排行榜 — Odysseys

来源：https://odysseys-website.pages.dev/leaderboard 所有 200 个 Odysseys 任务共有九个条目。我们在统一设置下评估了八个 CUA 模型——100 步预算、最大推理努力、使用 Google Chrome 在 OSWorld Ubuntu 虚拟机中运行。

注释。
评分平均值将每个任务评分对视为独立观测值并取平均值。
完美度标记一个任务为通过，仅当所有评分项都满足。
O‑M2W 评判器是来自 Online‑Mind2Web 的轨迹级整体 LLM 评判器。
平均步数是指代理在每个任务中平均交互步数，数值越低表示效率越高。
轨迹效率 为 (1/N) · Σ si / ni，其中 si 是任务 i 的评分项平均分，ni 是代理步数。数值越高表示在较少步数内获得更强结果。
代理区分 CUA（使用截图并发出 GUI 动作的计算机使用代理）和 Terminal 代理（通过编写代码（例如 Playwright）驱动浏览器）。
标记为 — 的单元格表示来源未报告的指标。CUA 分数来自论文中的表 2；WebWright 来自 WebWright 文章。

按难度划分

任务分为三个等级。简单任务最多使用 5 步和 3 个领域，中等任务使用 6 到 8 步或 4 个或更多领域，困难任务则超出这两个阈值。每个条形显示完美评分率，即模型在每项评分项均满足的情况下解决的任务占比。

步数与完美分数对比

每个模型的完美评分率与其平均每任务步数对比，并叠加帕累托前沿。Opus 4.6 位于该前沿的能力端，而 GPT-5.4 和 GPT-5.4 Mini 则在步数预算与完美率之间进行权衡。每增加一步计算，收益会逐步递减。

散点图：完美评分率 vs 每任务平均步数，带帕累托前沿
图例：Sonnet 4.6 被 Opus 4.6 和 GPT-5.4 两者帕累托支配，后者以更少步数实现了更高完美率。开放权重模型位于前沿内部，花费更多步数却获得显著更低的完美率，指向能力上限而非步数预算不足。