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。
構造図
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
- （著者記入欄・空）
私のコメント
- 第一印象:（著者記入欄・空）
- 良い点:（著者記入欄・空）
- ダメな点:（著者記入欄・空）
- 誰向けか:（著者記入欄・空）
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
関連用語
E-31·benchmark
バイブコーディング図鑑