StressWeb: A Diagnostic Benchmark for Web Agent Robustness under Realistic Interaction Variability
μμ±μ
- Haebom
μΉ΄ν
κ³ λ¦¬
λΉμ΄ μμ
μ μ
Haoyue Bai, Dong Wang, Long Chen, Bingguang Hao, Pengyang Shao, Yonghui Yang, Yicheng He, Chenyi Zhuang
π‘ κ°μ
λκ·λͺ¨ μΈμ΄ λͺ¨λΈ κΈ°λ° μΉ μμ΄μ νΈλ μ€μ μΉ μνΈμμ© μμ
μμ λ°μ΄λ μ±λ₯μ 보μ΄μ§λ§, κΈ°μ‘΄ νκ°λ μμ μ μΈ νκ²½μ κ΅νλμ΄ μμ΄μ νΈμ μ€μ κ²¬κ³ μ±μ κ³Όλνκ°ν μ μμ΅λλ€. λ³Έ λ
Όλ¬Έμ μΉ μμ΄μ νΈμ κ²¬κ³ μ±μ μ§λ¨νκΈ° μν StressWebμ΄λΌλ λ²€μΉλ§ν¬λ₯Ό μ μν©λλ€. μ΄ λ²€μΉλ§ν¬λ μ€μ μΉ νκ²½κ³Ό μ μ΄ κ°λ₯ν κ΅λ μμλ₯Ό νμ©νμ¬ λ€μν μνΈμμ© λ³ν μμμλ μμ΄μ νΈμ μ±λ₯μ 체κ³μ μΌλ‘ νκ°ν©λλ€.
π μμ¬μ λ° νκ³
β’
κΈ°μ‘΄ νκ° λ°©μμ μ€μ μΉ νκ²½μ λ³νμ±μ λ°μνμ§ λͺ»ν΄ μμ΄μ νΈμ κ²¬κ³ μ±μ κ³Όλνκ°νλ κ²½ν₯μ΄ μμμ μ§μ ν©λλ€.
β’
StressWeb λ²€μΉλ§ν¬λ λ μ΄μμ λ³κ²½, μνΈμμ© μλ―Έ λ³ν, μ€ν μ€λ¨κ³Ό κ°μ νμ€μ μΈ κ΅λμ 체κ³μ μΌλ‘ λμ
νμ¬ μμ΄μ νΈμ μ€ν¨ λͺ¨λμ κ²¬κ³ μ± κ²©μ°¨λ₯Ό ν¨κ³Όμ μΌλ‘ λλ¬λ
λλ€.
β’
νμ¬ λ²€μΉλ§ν¬λ νΉμ μ νμ κ΅λμ μ§μ€λμ΄ μμΌλ©°, ν₯ν λμ± λ€μνκ³ λ³΅μ‘ν μΉ νκ²½ λ³νλ₯Ό ν¬ν¨νλ λ°©ν₯μΌλ‘ νμ₯λ νμκ° μμ΅λλ€.
