# 网络智能体评估

2 篇关联报道

订阅更新

arXiv 2026年10月26日
网页搜索智能体评测不再只看答案：保留真实轨迹，把错误节点连回答错的答案组
长程网页搜索智能体的评测此前多依赖模拟轨迹，或从最终答案反推轨迹，难以检查搜索过程本身。LongSearchEval 让 16 个模型在统一的智能体控制器和五个受限网页工具下真实执行 100 个任务，保留 1600 条轨迹，先用智能体自己引用的网页核验答案组，再把被标记的失败节点连回判错的答案组。人工复核中，946 个答案组的自动判定与人工一致率为 94.50%，抽样的 317 条轮次—答案组链接有 311 条通过特征对应核查。
长程网页搜索智能体的评测此前多依赖模拟轨迹，或从最终答案反推轨迹，难以检查搜索过程本身。LongSearchEval 让 16 个模型在统一的智能体控制器和五个受限网页工具下真实执行 100 个任务，保留 1600 条轨迹，先用智能体自己引用的网页核验答案组，再把被标记的失败节点连回判错的答案组。人工复核中，946 个答案组的自动判定与人工一致率为 94.50%，抽样的 317 条轮次—答案组链接有 311 条通过特征对应核查。
Northeastern University
Jialiang Liu（第一作者）
LongSearchEval 评估框架来源约束结果验证失败节点定位网络智能体评估
arXiv 2026年9月27日
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。
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。
Zihao Sun（第一作者）
WebArxiv基准动态记忆机制网络智能体评估

已读完全部报道

网页搜索智能体评测不再只看答案：保留真实轨迹，把错误节点连回答错的答案组

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