カーネギーメロン大学が 2023 年に発表したベンチマークです。Docker で再現した 5 種の擬似 Web サイトに自然言語タスク 812 個を与え、AI エージェントの完了率を計測します。
ベンチマーク
256
WebArena
ウェブアリーナ
体験区分：調査ベース
推奨読者レベル：Level 2-3
何をしてくれるか
どこで出会うか
ブラウザ操作系エージェント（Operator・Computer Use 等）の性能比較記事で頻出します。「WebArena スコア XX%」という共通指標で各サービスの実用度を横並びに比べる際に使われます。
イメージ
開発フローでの位置
エージェント選定
環境構築
タスク実行
完了率集計
比較・報告
2026.04·needs_review
「WebArena のスコアで Operator が頭一つ抜けたらしいですね。」
WebArenaの見方
257
この用語の見どころ
1
役割
ブラウザ操作エージェントの完了率を共通スケールで測ります。
2
うれしさ
実サイトに近い環境でテストするため、スコアが実用度に直結しやすいです。
3
注意点
Docker のローカル再現環境のため、実本番サービスへの影響はありません。
4
どこで役立つか
エージェント選定時に各サービスの実力を横並びで比較できます。
5
はじめに
Docker 擬似環境・812 タスク・完了率の 3 点を押さえれば読み解けます。
6
深掘り先
GAIA、AgentBench、OSWorld
非エンジニアのつまずき
- 今回初めて知った語で、ベンチマークがあること自体に気づくのが入口です。
- 何 % あれば実用的なのか、相場感や人間との比較が直感的に分かりません。
- ベンチマーク自体が陳腐化していくので、いつまで参照してよいか判断が難しいです。
私のコメント
- 第一印象:今回初めて存在を知り、エージェント評価の入口になる語と感じました。
- 良い点:Web 操作などエージェント的タスクの実用度を共通スケールで比べられる点です。
- ダメな点:ベンチマーク自体の陳腐化が進み、いつまで指標として有効かが見えにくいです。
- 誰向けか:モデルや AI サービスの性能を比較したい人が押さえておきたい指標です。
関連用語
備考
公開時（2023 年）の GPT-4 スコアは約 14%。
E-31·benchmark
バイブコーディング図鑑