AgentProofBench: Benchmarking Reusable Verifiers for Web Agents

研究人员介绍了AgentProofBench，一个用于Web代理可重用验证的基准测试工具。该工具通过连接冻结接受规则的成对测试与相同保存开头的执行，涵盖了97个任务、79个家族和四个Web服务。实验结果表明，在48个家族中，完整面板和决策回放测试保留了82/96的DeepSeek Flash和79/96的DeepSeek Pro源程序；成对重用重建BA间隔为[-5.47, 1.57]和[-10.16, 0.00]百分比点。在22个执行家族中，部署状态面板正确性区分了两个保存开头都正确交付的程序分配：32/33个无错误面板的分配，而1/11个有面板错误。所有参考定义的程序门回归和保留交付都发生在后者。在测试的通用反馈下，中性连续性达到最高的正确交付，为衡量门增加的价值提供了具体基线。发布的指令、状态、程序、参考规则和轨迹将每个测试失败与其执行后果联系起来。AgentProofBench使可重用验证在需求和策略层面都可评估。