可视化工具 - browseruse-bench

browseruse-bench 内置交互式可视化服务器，用于在任务粒度上浏览实验结果——对静态排行榜的补充，提供轨迹回放、API 日志查看和评测详情展示。

功能

轨迹回放

逐步浏览每个任务的截图序列

评测详情

查看评测 prompt、分数、verdict 和评分标准

API 日志检索

检查每步的 API 调用记录和 system prompt

Judge 对比实验

跨任务对比多种评测方法，识别高方差和结论翻转的任务

快速开始

启动服务器

# 生成索引并启动服务器（文件变化时自动重新生成）
bubench viz --watch

# 访问 http://localhost:8080

参数说明

参数	默认值	说明
`--host`	`127.0.0.1`	监听地址（内网共享请传 `0.0.0.0`）
`--port`	`8080`	服务端口
`--watch`	关闭	实验文件变化时自动重新生成索引
`--watch-interval`	`3.0`	轮询间隔（秒）
`--generate-only`	关闭	仅生成 `experiments.json` 后退出，不启动服务器

安全提示： 服务器默认只绑定 127.0.0.1，仅本机可访问。/api/regenerate 接口无鉴权，/experiments/* 直接返回原始文件（日志、截图、配置）。仅在可信网络上传 --host 0.0.0.0——具体参见下方内网共享章节。

仅生成索引

bubench viz --generate-only

扫描 experiments/ 目录并写入 browseruse_bench/visualization/data/experiments.json。适用于 CI 或提前预生成数据。

实验目录结构

可视化服务器读取与排行榜相同的实验目录格式：

experiments/{benchmark}/{split}/{agent}/{timestamp}/
  tasks/{task_id}/
    result.json              # 必需
    trajectory/*.png         # 每步截图（可选）
    api_logs/step_*.json     # 每步 API 日志（可选）
    agent_history.gif        # 动画回放（可选）
  tasks_eval_result/         # 评测结果（可选）
    *_eval_results.json
    *summary.json

也支持带有明确 model 目录的五层结构：

experiments/{benchmark}/{split}/{agent}/{model_id}/{timestamp}/

内网共享

在 tmux 后台运行服务器，断开 SSH 后服务依然可访问： 安装 tmux（如未安装）：

brew install tmux

sudo apt install tmux

sudo yum install tmux

后台启动服务器：

tmux new-session -d -s viz "bubench viz --host 0.0.0.0 --port 8090 --watch"

常用 tmux 操作：

tmux attach -t viz          # 查看日志（Ctrl+b d 挂起回后台）
tmux kill-session -t viz    # 停止服务

获取服务器 IP： 绑定到 0.0.0.0 时，启动日志首行会打印服务器探测到的局域网 URL——用 tmux attach -t viz 接入即可查看。如果需要手动查询 IP：

ipconfig getifaddr en0

hostname -I | awk '{print $1}'

随后在浏览器访问 http://<服务器IP>:8090/。 防火墙（其他机器无法访问时）：

sudo ufw allow 8090/tcp

sudo firewall-cmd --permanent --add-port=8090/tcp && sudo firewall-cmd --reload

排行榜 vs. 可视化工具

	排行榜	可视化工具
目的	Agent 横向排名对比	任务级别详细分析
输出	单文件 HTML，可直接分享	本地动态 SPA，需启动服务器
粒度	Run 级别聚合指标	每任务轨迹、日志、评测详情
共享方式	直接发送 HTML 文件	在共享主机上运行服务器

排行榜适合对外快速发布结果；可视化工具适合开发过程中的深度分析。

​功能

轨迹回放

评测详情

API 日志检索

Judge 对比实验

​快速开始

​启动服务器

​参数说明

​仅生成索引

​实验目录结构

​内网共享

​排行榜 vs. 可视化工具

功能