WebForge：打破浏览器智能体基准的真实性-可复现性-可扩展性三难困境

现有浏览器智能体基准面临一个根本性三难困境：真实网站基准因内容漂移而缺乏可复现性，受控环境因略去真实网络噪声而牺牲真实性，且两者都需要高昂的人工策划成本，限制了可扩展性。我们提出WebForge，首个完全自动化的框架，通过规划（Plan）、生成（Generate）、精炼（Refine）与验证（Validate）四个智能体组成的流水线，端到端地生产可交互、自包含的网络环境，无需人工标注，从而化解这一三难困境。一个七维难度控制框架沿导航深度、视觉复杂度、推理难度等维度组织任务设计，使超越单一聚合分数的系统性能力画像成为可能。利用WebForge，我们构建了WebForge-Bench，一个涵盖7个领域、3个难度级别、共934个任务的基准。多模型实验表明难度分层能有效区分模型能力，而跨领域分析揭示了聚合指标看不到的能力偏向。这些结果共同证实，多维评估能够揭示单一聚合分数无法捕捉的差异化能力画像。代码与基准已在 https://github.com/yuandaxia2001/WebForge 公开。