跨网页任务的难点，不是让AI智能体写出一段通顺的结论，而是让它逐项找对页面、核对数字、保留原始出处，并把结果交成可复查的表格。对考虑采购的企业而言，只看演示视频或一张「任务成功率」榜单，还不足以判断它能否进入实际工作流。
目前没有三款产品在同一环境下运行这项任务的原始记录，也没有可核验的当次计时和计费数据。因此，本文不把公开基准成绩冒充机器实测，不给出完成率、费用或排名。以下是一套可复现的测试任务与记录方式；完成运行前，不能回答「谁能完整交付」。
同一道题，要求交付什么
可用三份公开页面组成测试材料：Ai2 的 MolmoWeb 介绍、Skyvern 发布的 Web Bench 说明和Test-Lab.ai 的浏览器自动化模型测试文章。给每款候选产品同一条指令：
分别查找三份原始页面，制作表格，列出发布方、页面标示日期、测试对象或基准名称、页面明确给出的任务规模，以及对应的原文页面链接。未披露的项目填「未披露」，不要推测；如搜索摘要与原始页面不一致，以原始页面为准，并说明差异。
这道题刻意把「找答案」和「查证来源」放在一起。Skyvern 页面标示 Web Bench 包含 5750 项任务、覆盖 452 个网站，其中 2454 项开源；Test-Lab.ai 页面描述的是对 11 个前沿模型运行其内部生产测试计划。两者的测试对象和方法不同，不能把数字直接排在一列当作产品胜负。测试者还应检查智能体是否读到了原始页面，而不是只根据搜索摘要填表。
三款候选产品，先核验再开测
可将公开资料中提到的 Skyvern、Browser-use 和 OpenAI Operator 列为候选，但「被提及」不等于其当前版本、入口和套餐均已核实。尤其是产品名称与可用方式可能变化，正式测试前须逐一确认官方入口、所在地区可用性、账号权限、计费规则和导出能力；无法取得相同测试条件的产品，应注明限制，而不是照常计入排名。
| 记录项 | Skyvern | Browser-use | OpenAI Operator |
|---|---|---|---|
| 当前产品入口与版本 | 待官方核验 | 待官方核验 | 待官方核验 |
| 完成率 | 未实测 | 未实测 | 未实测 |
| 来源准确性 | 未实测 | 未实测 | 未实测 |
| 人工接管次数 | 未实测 | 未实测 | 未实测 |
| 耗时与实际费用 | 未实测 | 未实测 | 未实测 |
执行时，每款产品使用相同指令、同一批页面和相同的最长运行时间；每款至少重复运行数次，并保留操作轨迹、最终表格、计时记录与账单。完成应定义为全部指定字段有值或明确标注「未披露」，且每行都能从所附原始页面核验；只生成一张看似完整的表，不算完成。来源准确性要逐字段检查，人工接管则记录登录、纠错、重新指定页面等每次干预，费用须注明是否包含订阅、调用及浏览器运行成本。
答案与交付之间，差一道验收
公开基准可以帮助确定测试方向，却不能替代这次采购场景的结果。Skyvern 发布的 Web Bench 数据和 Test-Lab.ai 的内部测试，各有自己的任务与评价环境；它们不能证明上述三款产品在这道「查证并汇总」题上的表现。
真正值得比较的是：智能体能否区分页面事实与自己的推断，数字是否对应正确来源，遇到缺失信息是否坦承未知，以及人要花多少时间把表格修到可用。采购方应把这些项目连同原始轨迹交给业务人员抽检，再决定是否扩大试点。在同条件运行、人工复核和费用核算完成之前，谁能完整交付，答案仍是未知。
【软盟资讯观察】
跨网页任务是AI智能体较有机会创造实际价值的场景：公开信息分散在不同网站，人工反复打开页面、摘录字段、整理表格，过程费时且容易遗漏。若智能体能稳定保留来源和操作轨迹，它的价值将不止于加快写作，更在于缩短资料整理到人工复核之间的时间。
但可靠性风险也恰恰藏在「结果看起来已经完成」之中。页面改版、搜索摘要滞后、同名指标口径不同，都可能让一张整齐的表格产生错误结论。企业选型不宜先问哪款产品最会生成答案，而应先确定验收标准：哪些字段必须有原始出处，哪些步骤允许人工接管，错误由谁发现、如何回滚。只有把复核时间和实际费用一并计入，效率提升才有采购意义；没有运行记录的比较，不应被包装成实测排名。