真实网站在线网页智能体评测，约 300 任务
Mind2Web 的在线版：不再用离线快照，直接在真实网站上网页操作，考网页 agent 在真环境里的成功率。
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
共收录 3 场模型发布（收录 4 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
Anthropic 发布文将 Claude Opus 4.8 定位为 Opus 系列新旗舰，主打诚实性训练（放行自写代码缺陷的概率约为上代 1/4）与 effort 分档（默认 high，另有 extra/max），并随发布推出 Claude Code 动态工作流。已收录 9 项评测集中于编码、终端与计算机/知识工作 Agent：亮点 SWE-bench Pro 69.2、GDPval-AA Elo 1890。
OpenAI·国际
本发布含 4 个变体，各变体规格见模型详情。
OpenAI 将 GPT-5.4 定位为融合 GPT-5.3-Codex 编码谱系的新旗舰（ChatGPT 内 Thinking 模式，effort none/low/medium/high/xhigh，1M 上下文，原生计算机操作与工具搜索）。已收录 90 余项评测横跨知识工作、编码、计算机操作与长上下文：亮点 GDPval 83.0%、OSWorld-Verified 75.0%。
ByteDance Seed / 豆包·国内
本发布含 3 个变体，各变体规格见模型详情。
Seed1.8 被发布文定位为通用化 Agentic 模型，覆盖 GUI/浏览器/移动操作、代理搜索、代理编码与经济价值领域任务，并提供三种思考模式。评测横跨代理、数学、STEM、知识、多模态与长视频等约 13 组：GAIA 87.4、BrowseComp-zh 81.3、AIME-25 94.3。
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。