Web World Modeling on WebWorld-Bench benchmark leaderboard · SOTA2 Research

Web World Modeling on WebWorld-Bench

0.829Fact. (Long-Horizon)Claude-Opus-4.1

Evaluation Results

Method	Links
Claude-Opus-4.12026.02		0.829	0.34	0.721	0.53	0.794	0.35	0.793	0.43	0.764	0.42	0.688	0.47	0.775	0.54	0.755	0.56	0.294	0.63	0.713	0.474
Gemini-3-Pro2026.02		0.787	0.394	0.672	0.408	0.803	0.343	0.813	0.42	0.764	0.379	0.595	0.408	0.755	0.41	0.786	0.626	0.354	0.495	0.703	0.432
Claude-Sonnet-4.52026.02		0.781	0.37	0.604	0.42	0.811	0.34	0.688	0.31	0.604	0.31	0.424	0.2	0.633	0.34	0.517	0.36	0.314	0.61	0.597	0.362
WebWorld-32B2026.02		0.77	0.37	0.745	0.51	0.87	0.4	0.79	0.445	0.73	0.455	0.63	0.405	0.73	0.48	0.74	0.5	0.385	0.54	0.71	0.456
WebWorld-8B2026.02		0.767	0.34	0.68	0.42	0.817	0.45	0.822	0.43	0.703	0.41	0.659	0.39	0.755	0.44	0.727	0.51	0.376	0.41	0.701	0.422
WebWorld-14B2026.02		0.761	0.36	0.74	0.5	0.877	0.41	0.798	0.44	0.733	0.45	0.627	0.41	0.714	0.47	0.732	0.49	0.381	0.49	0.707	0.447
GPT-4o2026.02		0.692	0.25	0.553	0.43	0.81	0.3	0.699	0.32	0.635	0.25	0.473	0.22	0.641	0.36	0.513	0.44	0.342	0.62	0.595	0.354
Qwen3-32B2026.02		0.529	0.21	0.349	0.26	0.712	0.23	0.477	0.19	0.325	0.15	0.223	0.11	0.463	0.21	0.23	0.23	0.299	0.48	0.401	0.23
Qwen3-14B2026.02		0.494	0.25	0.317	0.23	0.712	0.25	0.517	0.13	0.303	0.14	0.259	0.12	0.312	0.18	0.174	0.24	0.33	0.5	0.38	0.227
Qwen3-8B2026.02		0.414	0.18	0.185	0.15	0.604	0.19	0.34	0.11	0.168	0.11	0.115	0.05	0.198	0.12	0.112	0.2	0.288	0.46	0.269	0.174
WebSynthesis-8B2026.02		0.242	0.13	0.069	0.08	0.225	0.04	0.732	0.33	0.068	0.01	0.004	0	0.105	0.09	0.026	0.04	0.034	0.07	0.167	0.088
WMA-8B2026.02		0.152	0.11	0.094	0.06	0.188	0.05	0.075	0.04	0.054	0.02	0.012	0.01	0.098	0.07	0.045	0.03	0.285	0.39	0.111	0.087
Word2World-8B2026.02		0.085	0.01	0.065	0.005	0.135	0.008	0.045	0.01	0.03	0	0.025	0	0.04	0	0.035	0	0.17	0.02	0.07	0.006