hybrid-interface

WeaveBench是一个用于在长时域真实世界任务中跨多种界面（GUI、CLI、代码）评估计算机使用代理的新基准测试。它揭示了当前模型仅达到41.2%的通过率，且仅基于结果的评分高估了性能，凸显了评估中的重大差距。