Skip to content

Fix final-page event evaluation and five verified task contracts - #1

Merged
lanyue-llk merged 2 commits into
lex-mainfrom
fix/network-evaluator-contracts
Sep 17, 2026
Merged

lanyue-llk merged 2 commits into
lex-mainfrom
fix/network-evaluator-contracts

Conversation

@lanyue-llk

@lanyue-llk lanyue-llk commented Sep 17, 2026 •

Copy link
Copy Markdown

本 PR 面向 lex-main 修复网络事件选取和 5 个任务契约,保持 WebArena-Verified 独立于部署工具。它不更新 browser-eval 的已发布分数。

网络事件检查默认保留“最后一次文档导航”的规则。任务 676 显式使用 navigation_only=false,只检查最终页面加载后的订单列表 XHR,并通过 event_query_params.namespace 排除共用接口的通知请求。last_event_only 保持开启,清除筛选、离开页面或重新加载后不能沿用旧请求通过验收。

任务契约修正:

  • 339:固定环境实际请求 /a11yproject/a11yproject.com/-/issues?state=opened&label_name[]=bug;列表地址允许有或没有结尾斜线,拒绝具体 issue 详情地址,保留 GraphQL 条件检查。
  • 475:未勾选 README 时,实际表单省略 project[initialize_with_readme]。接受明确的 [null, "0"] 两种形式,拒绝 "1";比较器只在契约显式声明 null 备选值时允许缺值。
  • 676:按最终订单列表 XHR 验证欺诈筛选,防止历史成功事件掩盖最终错误状态。
  • 699、700:Magento 实际提交 website_ids[0]=1、customer_group_ids[0]=1。修正字段名,保留促销名称、对象、折扣类型和金额要求;错误客户组仍失败。

原 PR 中 600、605、609、625 的 Reddit 路由扩展已撤回:复查的固定环境 HAR 使用 /submit/consoles 或 /submit,不足以证明新增 gaming/technology 路由与指定论坛 ID 等价。hard 数据集不再改动。

验证:通过公开 WebArenaVerified.evaluate_task API 测试有效轨迹和相邻反例;新增导航/表单/null 回归 20 项全部通过。数据集完整性、核心比较器和类型测试共 2308 项通过、4 项原有跳过;修改文件 Ruff 检查通过。未执行 Hugging Face 远程数据集测试或 Docker 集成测试。

旧版直接删除导航筛选的实现已被反例证实会产生误判,本 PR 已改为显式、有限的 XHR 模式。上游重复 PR ServiceNow/webarena-verified#46 已关闭。

Comment thread assets/dataset/webarena-verified.json Outdated
@lanyue-llk lanyue-llk changed the title Fix network-event selection and verified task contracts Fix final-page event evaluation and five verified task contracts Sep 17, 2026
@lanyue-llk
lanyue-llk merged commit 2d7af24 into lex-main Sep 17, 2026
Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment

Labels

None yet

Projects

None yet

Development

Successfully merging this pull request may close these issues.

1 participant