वेबवॉयेजर एक अभिनव बड़ा बहु-मॉडल मॉडल (LMM) चालित वेब प्रॉक्सी है जो वास्तविक दुनिया की वेबसाइटों के साथ बातचीत करके, उपयोगकर्ता निर्देशों को एंड-टू-एंड पूरा कर सकता है। हमने खुले वेब प्रॉक्सी कार्यों के स्वचालित मूल्यांकन की चुनौती का समाधान करने के लिए एक नया वेब प्रॉक्सी मूल्यांकन प्रोटोकॉल प्रस्तावित किया है, जो GPT-4V की शक्तिशाली बहु-मॉडल समझ क्षमता का उपयोग करता है। हमने अपने एजेंट का मूल्यांकन करने के लिए 15 व्यापक रूप से उपयोग की जाने वाली वेबसाइटों से वास्तविक दुनिया के कार्यों को एकत्र किया है। हमने दिखाया है कि वेबवॉयेजर ने 55.7% की कार्य सफलता दर हासिल की है, जो GPT-4 (सभी उपकरण) और वेबवॉयेजर (केवल पाठ) सेटिंग्स के प्रदर्शन से स्पष्ट रूप से अधिक है, जो वास्तविक दुनिया के अनुप्रयोगों में वेबवॉयेजर की उत्कृष्ट क्षमता को उजागर करता है। हमने पाया कि हमारा प्रस्तावित स्वचालित मूल्यांकन मानव निर्णय के साथ 85.3% की संगति तक पहुँच गया है, जो वास्तविक दुनिया के माहौल में वेब प्रॉक्सी के आगे विकास का मार्ग प्रशस्त करता है।