行业与实践 · 标签「人工复核」

研究与基准测试/2026-10-05/18 分钟

审计 WebArena-Lite：最终分数漏掉了多少真正完成的任务

165 个 WebArena Lite 任务的人工复核显示，自动评测器在四种 GPT 5.5 设定上漏掉 5.45 到 8.49 个百分点的成功。滚动循环和过早作答占失败的大头，早期进展也常常以失败收场。