标签
AgentProofBench 提出了一个面向网页智能体可复用验证的基准，将固定的验收规则与执行轨迹关联起来，覆盖四个网络服务上的 97 项任务和 79 个任务族，并使用 DeepSeek Flash/Pro 建立了程序门控正确性和复用方面的基线。