1
00:00:00,360 --> 00:00:03,460
想象一下，你请智能体根据你的简历申请一份工作。

2
00:00:04,019 --> 00:00:08,960
它找到职位，提取个人信息，上传文件，并填写几份表单。

3
00:00:09,560 --> 00:00:14,600
但看似填写完成的页面，并不能说明实际提交的数据是否正确。

4
00:00:15,200 --> 00:00:19,120
ClawBench 在真实的生产网站上研究这类日常任务。

5
00:00:19,600 --> 00:00:23,900
核心问题很简单：智能体能否贯穿整个流程，完成你的目标？

6
00:00:24,480 --> 00:00:28,160
我们先跟着一个示意性的求职申请，再看看基准如何检查证据。

7
00:00:28,733 --> 00:00:34,733
这份本地论文包含 153 项任务，覆盖 144 个平台和 15 个类别。

8
00:00:35,353 --> 00:00:41,513
这些任务包括购买、预订、申请，以及其他会改变服务器信息的流程。

9
00:00:42,333 --> 00:00:47,633
每项任务都有用户指令、起始网址，以及指定的最终提交请求。

10
00:00:48,453 --> 00:00:53,633
人工标注者完成任务，并记录参考轨迹，其中包括提交载荷。

11
00:00:54,433 --> 00:00:59,153
他们排除不可用的网站、付费订阅服务和有地域限制的服务，

12
00:00:59,513 --> 00:01:00,713
并检查可复现性。

13
00:01:01,513 --> 00:01:07,733
在我们的示例中，目标变得具体：正确的申请、正确的简历，以及填写正确的字段。

14
00:01:08,333 --> 00:01:11,253
真实的提交可能会下订单或发送申请。

15
00:01:11,773 --> 00:01:15,013
因此 ClawBench 会拦截指定的最终请求。

16
00:01:15,493 --> 00:01:20,773
人工标注者在参考执行中确定请求端点、请求方法，以及载荷中必须包含的字段。

17
00:01:21,493 --> 00:01:27,573
检测系统捕获匹配的请求正文，在发送前将其阻止，并记录下来用于评估。

18
00:01:28,253 --> 00:01:33,333
其他页面加载和动态请求照常通过，从而保留与真实网站的正常交互。

19
00:01:34,113 --> 00:01:39,033
在我们的示例中，智能体可以执行提交操作；申请请求会被捕获，而不会被发送。

20
00:01:39,693 --> 00:01:42,233
这个边界保留了预期提交的证据，

21
00:01:42,553 --> 00:01:45,693
同时阻止那项已标注的交易到达服务器。

22
00:01:46,267 --> 00:01:51,387
该框架记录五条同步的证据流，而不是仅依赖一张最终截图。

23
00:01:52,087 --> 00:01:55,907
会话视频和操作截图显示可见页面，以及页面如何变化。

24
00:01:56,587 --> 00:02:03,067
HTTP 流量展示发出的请求数据；浏览器操作记录点击、输入、滚动和导航。

25
00:02:03,847 --> 00:02:08,507
智能体消息保留框架记录的推理轨迹、工具调用和中间输出。

26
00:02:09,327 --> 00:02:14,247
人工参考执行使用同一套记录基础设施，因此可以对照这些证据流。

27
00:02:14,947 --> 00:02:19,427
结合这些记录，审查者可以关联看到的内容、尝试的操作，以及提交的数据。

28
00:02:19,933 --> 00:02:25,633
Claude Code 子智能体依据固定的评估规则，使用两份已记录的轨迹来评估任务。

29
00:02:26,273 --> 00:02:32,193
它对齐相应步骤，检查必需的字段和操作，并对照最终提交状态。

30
00:02:33,013 --> 00:02:36,333
看看我们的申请示例：上传的简历是正确的，

31
00:02:36,733 --> 00:02:39,673
但发出请求中的电话号码字段却是另一个号码。

32
00:02:40,313 --> 00:02:45,773
即使截图看起来已填写完成，或者智能体声称成功，载荷仍会暴露这个不一致。

33
00:02:46,733 --> 00:02:53,893
因此，仅触发拦截还不够；必需的操作和信息也必须满足评估规则。

34
00:02:54,733 --> 00:02:59,793
评估器给出二元判定，并依据记录的证据提供结构化解释。

35
00:03:00,400 --> 00:03:06,280
评估规则还必须处理边界情况，包括提交被阻止，以及效果等价的替代路径。

36
00:03:06,980 --> 00:03:10,660
作者利用带有人工判定的校准示例来完善提示词。

37
00:03:11,200 --> 00:03:14,620
他们评估整个集合，再收集与人工标签不一致的案例。

38
00:03:15,280 --> 00:03:19,160
每个不一致案例都会触发诊断，以及针对该案例的规则修改。

39
00:03:19,740 --> 00:03:24,600
随后，他们重新测试所有校准示例，找出局部修改造成的退步。

40
00:03:25,120 --> 00:03:30,340
最终得到的提示词用于后续评估：修复具体问题，再用整个校准集合检查一致性。

41
00:03:30,900 --> 00:03:32,160
现在来看测量结果。

42
00:03:32,760 --> 00:03:37,680
该论文通过 OpenClaw 框架评估六个模型，由它们控制 Chromium 浏览器。

43
00:03:38,480 --> 00:03:42,840
Claude Sonnet 4.6 以 33.3% 的任务成功率领先。

44
00:03:43,500 --> 00:03:48,580
GLM-5 达到 24.2%；Gemini 3 Flash 达到 19.0%。

45
00:03:49,140 --> 00:03:55,300
Claude Haiku 4.5 得分为 18.3%，而 GPT-5.4 达到 6.5%。

46
00:03:56,020 --> 00:03:59,060
Gemini 3.1 Flash Lite 得分为 3.3%。

47
00:03:59,820 --> 00:04:05,240
这些成功率对应论文中的任务集和执行配置，完成情况通过人工参考轨迹来判定。

48
00:04:06,007 --> 00:04:10,227
这些记录还能解释执行在哪一步中断，而不只是给出排行榜。

49
00:04:10,947 --> 00:04:17,447
在 918 次任务与模型的组合执行中，619 次被归类为遭反机器人系统阻止。

50
00:04:17,887 --> 00:04:22,387
这占所有执行的 67.4%；分母也包括成功的执行。

51
00:04:23,167 --> 00:04:29,227
这说明在该配置下，真实网站的访问障碍是主要的实测困难；这个类别并不能单独衡量推理能力。

52
00:04:30,067 --> 00:04:35,547
其他记录的结果包括因安全政策而拒绝、网站错误、任务未完成，以及反复循环。

53
00:04:36,287 --> 00:04:41,447
对开发者来说，更有用的问题变成了：哪一步失败了，这一步的证据究竟说明了什么？

54
00:04:42,053 --> 00:04:49,073
ClawBench 结合了日常任务、定向拦截、人工示范，以及可追溯的评估。

55
00:04:49,953 --> 00:04:54,653
我们的示例区分了看起来合理的申请页面，以及正确组织的提交数据。

56
00:04:55,333 --> 00:04:58,773
最终操作会被检查，而那项已标注的交易不会被发送。

57
00:04:59,893 --> 00:05:04,533
报告的成功率共同反映了模型、浏览器框架，以及真实环境的表现。

58
00:05:05,233 --> 00:05:09,093
这一研究方向，是让有用的辅助能力能够逐步被观察和检验。

59
00:05:09,933 --> 00:05:14,113
信心来自完成的工作，以及可以检查的证据。