WebArena 与 OSWorld 在 Agent 评估中的侧重点有什么不同？

1. 环境范围

• WebArena 在沙箱化的网站环境（4 类域名、数百至上千模板化任务）中评估浏览器操作
• OSWorld 在完整桌面操作系统（Ubuntu / Windows / macOS，数百个真实工作流任务）中评估 GUI 操作，含本地应用与跨应用协作

2. 交互方式

• WebArena 仅浏览器动作；OSWorld 通过鼠标、键盘及可选终端驱动真实桌面，含 101 个跨应用任务

3. 评估方法

• 二者均采用基于执行的成功判定（程序化校验是否真正到达目标状态），OSWorld 额外以自定义脚本校验桌面状态

4. 侧重点

• WebArena 偏网页导航与多站点推理；OSWorld 偏桌面级长程任务与跨应用状态传递，更能暴露跨应用边界的状态丢失