**WeaveBench：检验混合界面计算机使用代理的长期真实世界基准**

_WeaveBench: A Long-Horizon, Real-World Benchmark for Computer-Use Agents with Hybrid Interfaces_

> WeaveBench是一个面向混合界面计算机使用代理的长期基准，包含覆盖8个真实工作领域的114项任务，要求代理在单次执行中结合GUI操作与CLI/代码操作。在真实Ubuntu桌面上的评估显示，前沿模型-运行时配对的最佳通过率仅为41.2%，且轨迹感知评判发现仅靠结果评分会高估性能，暴露了当前计算机使用代理在跨界面编排上的关键不足。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-12 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.09426)