拿真网站考智能体，像拿一条天天改道的马路考驾照。今天过了，明儿路口没了，成绩还算谁的？
WebHarbor 索性给考场铺一条不会变的假街：153 个可执行的 Docker 网站，界面、内容和工作流都封在确定性控制里；3,518 个任务摊下来，每个站点约 23 道，专挑登录之后的多步活，这恰是真实网站评测最难覆盖的一段。造街的分工也有意思，编码智能体按新任务改功能，人类贡献者逐条盯，视觉像不像，按钮灵不灵，题目有没有效，三样都得过。
一个 Qwen 4B 级的图形界面智能体在这条街上做强化学习，练完能泛化到没见过的任务，四个基准上跟领先的开源选手掰得动手腕。论文署名 57 人，倒也配得上「造一条街」这工程量。
我去仓库看了一眼：aiming-lab/WebHarbor 是 2026 年 5 月 2 日建的，论文 11 月才挂出来，11 月 3 日还在推代码，眼下 54 颗星、42 个 fork，LICENSE 一栏空着。想拿它当自家考场的，先问一句这街归谁管，再谈分数。