**错在哪里？基于语义状态追踪的网络代理过程级评估**

_Where Did It Go Wrong? Process-Level Evaluation of Web Agents with Semantic State Tracking_

> 现有基准仅评估最终成功，忽略过程信息。本文提出WebStep基准，包含1800个任务实例并自动追踪语义状态，发现成功率达31-33%的代理在探索与执行能力上存在显著差异，并通过技能分解定位具体优劣（如OpenAI CUA在提交动作上领先23.7%，但在过滤功能上落后15.6%），为代理改进提供细粒度、可操作的洞察。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-16 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.15673)