从构建网站，
到完成网站任务。

根据维护的 CSV 展示商品表格、单品历史和图表的个人杂货价格记录网站。

面向在线网页研究的基准，包含实际信息收集任务、公开开发集答案和 SeePlanAct 浏览器 Agent 实现。

浏览器 Agent 安全评估工具包，提供合成网站、行为数据和轨迹分类器，用于研究 Agent 是否执行有害请求。

连接多种网页基准的统一浏览器环境接口，为 Agent 提供一致的观察和动作表示。

AI 生成的开发者平台落地页，包含黑白网格、终端动画、代码标签页、价格表和注册弹窗。

面向真实网站的评测框架，提供日常任务定义、浏览器 Agent 框架、轨迹记录及请求或轨迹评分。

OpenAI 发布的生成式浏览器工具，读取 CSV 文件并配置柱状图、折线图、饼图或环形图，包含列映射、颜色设置及 PNG 下载逻辑。

公开代码的仪表盘重建基准，要求 Agent 探索 Plotly+Dash 仪表盘并复现外观和交互；配套 DashboardMimic 数据需要申请访问。

截图到 HTML 的生成基准，提供参考网页、模型生成结果和自动视觉指标，用于评估前端代码生成。

面向网页交互状态变化的基准，将交互前后截图与动作标注配对，并公开代码生成和评估实现。

从交互视频重建网页的基准，提供用户操作录像、静态资源、动作序列，以及评估生成页面的公开代码。

面向网页 Agent 的基准，要求通过多步工作流研究资料并生成 Google Docs、Sheets 和 Slides 成果。

OpenAI 发布的生成式浏览器工具，将输入的 Markdown 转为幻灯片预览，以独立一行的三个连字符分隔页面。

离线网页任务演示数据集与基准，将任务指令、人工操作序列和抓取的页面信息配对。

面向长流程网页研究及带来源综合回答的 Agent 搜索基准，提供公开评审 Agent 框架及带版本的任务专用评分器。

由点击、输入、选择和操作界面元素等小型浏览器任务组成，提供 Gymnasium 与 JavaScript 接口。

面向公开在线网站的任务基准，提供轨迹提交规范和 WebJudge 评估，与离线 Mind2Web 数据集分别维护。

在浏览器中运行的可配置模拟应用生态，用于训练 UI Agent，并衡量界面及内容变化下的可靠性。

AI 生成的虚构智能手表发布网站，包含规格介绍、产品选项和模拟预订表单。

在浏览器中制作社交媒体图片卡片的工具，提供画面比例、背景色、裁剪预览和图片下载。

提供 Wiki、News 和 Shop 受控网站环境的网页 Agent 基准，以多个历史时期的界面风格测试泛化。

结合图像和文字信息的网页 Agent 基准，涵盖购物、分类信息和论坛任务。

基于网站截图的静态多模态网页基准，覆盖页面理解、OCR、元素定位和动作定位。

可自行部署的网站及任务评分器，覆盖购物、论坛、内容管理和软件协作等网页操作。

独立维护的 WebArena 评测产物，提供修订任务、结构化答案检查及基于已记录网络轨迹的离线判分。

公开的真实网站任务指令集合，覆盖阅读、账号修改及文件操作，并附有已发布的评测结果。

基于 WebArena 网站构建的独立任务套件，聚焦需要记忆大量细节、进行计算及跨页面跟踪信息的繁琐流程。

将网页渲染截图、HTML/CSS 和布局信息配对的数据集，附带截图到代码的评估流程。

面向指令驱动、多文件交互网站生成的基准，提供浏览器 Agent 功能检查及外观评测。

面向对话式网页导航的数据集与基准，包含多轮人工演示、页面观察和动作预测评估工具。

可自行部署的购物基准，包含四个不同商店，覆盖跨店商品比较、模糊需求、兼容替代品和模拟结账。

模拟购物网站，Agent 根据自然语言要求搜索、查看并选择商品，提供 HTML 和简化文本两种接口。

公开的网页能力诊断数据集，覆盖页面感知、HTML 代码任务和图像与 HTML 对应理解，目前发布八个评测子集。

结合截图与文字信息、通过 Selenium 在真实网站上执行任务的浏览器 Agent 实现及基准。

基于 ServiceNow 的办公任务套件，用于评估知识库搜索、表单填写和记录筛选等能力。