long-horizon-interactions

SimuWoB是一个合成基准测试，包含120个具有挑战性的移动GUI智能体任务，使用高保真虚拟环境并自动生成奖励。实验表明，当前智能体的平均成功率仅为27.92%，在长时程任务上降至17.82%，表明在复杂场景中存在显著弱点。