WebArxiv 用 510 个静态快照任务评测网页智能体，发现其依赖固定交互历史并引入动态记忆机制
该工作提出 WebArxiv——一个基于 arXiv 静态快照、包含 510 个时间不变任务且每个任务有唯一确定性真值的基准，用于评测多模态网页智能体在学术检索、细粒度内容抽取与跨论文比较等任务上的表现；对多种基于基础模型的网页智能体的评测显示该基准仍具挑战性，行为分析发现智能体过度依赖固定交互历史，导致推理不完整或重复，作者因此为智能体加入轻量级动态记忆机制以支持对相关上下文的自适应检索与推理。