标签
WebAnything 提出了一个全自动框架,可根据真实 URL 重建以源网站为依据、可复用的网页智能体环境,构建了 244 个网站实例,支持 12,984 项任务,并表明使用其交互轨迹对 Qwen3.5-9B 进行微调能够提高网页智能体在多个基准测试中的任务成功率。
WebAnything 是一个全自动框架,能从真实 URL 重建可复用、源绑定的 Web 环境,用于可扩展的智能体训练与评估。在 244 个网站环境上微调 Qwen3.5-9B,在 REAL、Odysseys 与 WebArena-Verified 基准上取得显著成功率提升。
提出一种可扩展的**弱到强验证器加固循环**(weak-to-strong verifier hardening loop):在隔离沙盒中迭代地发现并修复漏洞,从而自动防止智能体(agentic)环境中的奖励作弊行为,并在 Terminal Bench、KernelBench 和 SETA 上大幅降低攻击成功率。
RecreationWorld引入了一个用于混合计算机使用代理的可扩展且可验证的框架,提供了跨越五个平台的环境和一个用于评估的基准测试。
介绍了GUI-CC,这是一个用于评估GUI世界模型在作为GUI智能体环境时上下文一致性的基准,包含离线和在线交互轨道。
Mercor宣布加入OpenEnv委员会,与Meta、PyTorch、NVIDIA、PrimeIntellect和Hugging Face等共同指导智能体环境的开放基础。
PatchWorld 引入了一种免梯度框架,通过反例引导的代码修复,将离线轨迹转换为可执行的 Python 世界模型,从而为部分可观测环境中的规划提供可解释和可检查的信念状态程序。
SkillEvolBench 是一个诊断性基准,用于评估大语言模型代理是否能够将情景经验提炼为可重用的程序技能。它包含六个环境中的180个任务,并发现当前代理通常难以形成稳健的可重用技能,原始轨迹重用往往优于提炼后的技能。