Расследуют ли веб-агенты до принятия решения?

arXiv: 2602.05354v3 Annuatory: заменить резюме: Автономные вебагенты все чаще используются в умеренных и политических целях, когда правильные решения зачастую зависят от доказательств, которые не являются сразу же видимыми и должны активно расследоваться. Тем не менее существующие контрольные показатели в значительной степени берут на себя выполнение важнейших задач, и к ним можно сразу же получить доступ. Они не определяют уровень компетентности в области проведения расследований: признание того, что видимая среда недостаточна, поиск скрытых доказательств и их включение в окончательное решение. Мы введем MIRAGE, контрольный показатель 750 многоэтапных решений по трем областям: Википедия Криминалисты, Выдача административных решений по делам о магазинах и Реддит Среда. Каждая задача состоит из двух слоев: видимого поверхностного контекста, который часто указывает на неправильные действия, и скрытого контекста, доступного только при активном расследовании, в котором содержатся решающие доказательства. Мы разлагаем работу агента на расследование, обоснование и точность решений, дополняемые коэффициентом галлюцинации в расследовании.