StressWeb: Benchmark Testa la Robustezza degli Agenti Web basati su LLM contro la Variabilità Realistica delle Interazioni

È stato introdotto un nuovo benchmark diagnostico chiamato StressWeb per valutare la robustezza degli agenti web basati su grandi modelli linguistici. Le valutazioni esistenti spesso avvengono in condizioni di interazione stabili e ben controllate, rischiando di sovrastimare le prestazioni degli agenti. StressWeb affronta questo problema creando ambienti web realistici e controllabili che fungono da baseline di riferimento con flussi di lavoro puliti e stabili. Il framework introduce quindi perturbazioni strutturate e controllate che emulano la variabilità delle interazioni nel mondo reale. Queste perturbazioni includono layout in evoluzione, semantica di interazione alterata e interruzioni nell'esecuzione. Confrontando sistematicamente il comportamento degli agenti tra queste impostazioni di baseline pulite e gli ambienti perturbati, il benchmark consente una diagnosi della robustezza in vari scenari "what-if". La ricerca, documentata in arXiv:2604.16385v1, evidenzia che l'elevato successo nelle attività in ambienti idealizzati potrebbe non riflettere le prestazioni nelle interazioni web realistiche. Questo lavoro mira a fornire una valutazione più accurata di come questi agenti si comporterebbero di fronte alla natura imprevedibile dell'uso effettivo del web.