WeaveBench

WeaveBench 是一个面向真实运行环境的长周期基准测试框架，专用于评估能协同操作图形界面（GUI）与命令行/代码（CLI/code）的计算机使用智能体。其核心包含114个跨8大工作域（如网页、文档、运维等）的通道不可替代任务，要求智能体在单条执行轨迹中动态交织GUI观察与CLI/code动作；采用轨迹感知的“智能体作为裁判”（Agent-as-Judge）机制，通过回溯完整交互日志与可验证交付物进行防幻觉评分。适用于评估多模态人机交互能力、端到端自动化智能体及混合接口代理系统的研究与开发场景。