WebShop: Towards Scalable Real-World Web Interaction with Grounded Language Agents 作者/机构：Shunyu Yao 等 年份：2022 URL：https://openreview.net/forum?id=R9KnuFlvnU 角度：早期 grounded web interaction benchmark 采用原因：适合支撑“benchmark 首先把 Agent 从静态问答拉进环境交互”。
Mind2Web: Towards a Generalist Agent for the Web 作者/机构：Xiang Deng 等 年份：2023 URL：https://openreview.net/forum?id=kiYqbO3wqw 角度：真实开放网站、跨站泛化 采用原因：适合支撑“benchmark 逐步提高环境真实性，重画能力边界”。
WebArena: A Realistic Web Environment for Building Autonomous Agents 作者/机构：Shuyan Zhou 等 年份：2024 URL：https://openreview.net/forum?id=zlsj9akpaa 角度：真实网站环境、execution-based evaluation 采用原因：适合支撑“终态验证改变了大家对 Agent 成熟度的判断”。
AgentBench: Evaluating LLMs as Agents 作者/机构：Xiao Liu 等 年份：2024 URL：https://openreview.net/forum?id=zAdUB0aCTQ 角度：多环境、多任务、多能力维度 采用原因：适合支撑“benchmark 正在重新定义 Agent 能力，而不是只给分”。
AgentBoard: An Analytical Evaluation Board of Multi-turn LLM Agents 作者/机构：Chang Ma 等 年份：2024 URL：https://arxiv.org/abs/2401.13178 角度：分析性评测、progress rate、轨迹可视化 采用原因：适合支撑“benchmark 从结果比较升级到过程分析”。
OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments 作者/机构：Tianbao Xie 等 年份：2024 URL：https://openreview.net/forum?id=tN61DTr4Ed 角度：真实桌面环境、多模态、长轨迹 采用原因：适合支撑“benchmark 迫使领域面对真实 computer-use 难度，而不是停在网页或文本层”。
SWE-bench: Can Language Models Resolve Real-World GitHub Issues? 作者/机构：John Yang 等 年份：2023 URL：https://arxiv.org/abs/2310.06770 角度：真实仓库、真实 issue、可验证修复 采用原因：适合支撑“benchmark 让 coding agent 从‘会写代码’转为‘能解决真实任务’”。
τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Customer Service 作者/机构：Yan Wang 等 年份：2024 URL：https://arxiv.org/abs/2406.12045 角度：tool-agent-user 三方交互、过程与结果联合评测 采用原因：适合支撑“benchmark 也在改写对交互型 Agent 能力的理解”。
Cybench: A Framework for Evaluating Cybersecurity Capabilities and Risks of Language Models 作者/机构：Andy K. Zhang 等 年份：2024 URL：https://arxiv.org/abs/2408.08926 角度：高风险环境、子任务完成度、中间步骤分析 采用原因：适合支撑“高风险 benchmark 会把过程质量和风险边界拉到前台”。
AgentHarm: A Benchmark for Measuring Harmfulness of LLM Agents 作者/机构：Maksym Andriushchenko 等 年份：2024 URL：https://arxiv.org/abs/2410.09024 角度：有害任务执行能力与拒绝能力评测 采用原因：适合支撑“benchmark 改变的不只是能力理解，也包括风险理解”。
Agent Security Bench (ASB): Formalizing and Benchmarking Attacks and Defenses in LLM-based Agents 作者/机构：Hanrong Zhang 等 年份：2024 URL：https://arxiv.org/abs/2410.02644 角度：攻击/防御 benchmark、一体化安全评测 采用原因：适合支撑“安全 benchmark 重新定义了什么叫 Agent 的真实脆弱点”。
AgentRewardBench: Evaluating Automatic Evaluations of Web Agent Trajectories 作者/机构：Xing Han Lu 等 年份：2025 URL：https://arxiv.org/abs/2504.08942 角度：trajectory quality、side effects、自动评测可靠性 采用原因：适合支撑“benchmark 本身正在进化为轨迹级与副作用级工具”。
Web-Shepherd: Advancing PRMs for Reinforcing Web Agents 作者/机构：Hyungjoo Chae 等 年份：2025 URL：https://arxiv.org/abs/2505.15277 角度：process reward model、步骤级监督 采用原因：适合支撑“benchmark 反向推动过程监督成为主流研究路径”。
Trace grading 作者/机构：OpenAI 年份：2026 URL：https://developers.openai.com/api/docs/guides/trace-grading 角度：对 agent 轨迹进行结构化评分 采用原因：适合支撑“benchmark 对工程产品的反作用是让轨迹评测进入官方工具链”。
Agent evals 作者/机构：OpenAI 年份：2026 URL：https://developers.openai.com/api/docs/guides/agent-evals 角度：workflow eval、回归评测、失败归因 采用原因：适合支撑“benchmark 思维已从研究转入工程与产品”。
附录 G：分章资料清单