三星 Note 8（2017款）手机上的 Qwen3-0.6B（400 MB）模型可操控桌面版 Chrome 浏览器

首先说明一下：我是参与开发此处所使用的页面感知层的团队成员之一。我们最初从测试小型本地模型开始，结果比最初的测试更加有趣。实验涉及12个小型模型、3项可验证的任务、日志记录以及离线回放功能。实验环境配置为：2017款三星Galaxy Note 8手机（运行Android 9系统，内存6GB）、Termux中的llama.cpp工具、Qwen3-0.6B Q4_K_M模型，以及一台打开Chrome浏览器的笔记本电脑（非无头模式）。手机通过我们的代理系统来操控浏览器。该模型的工作流程为：首先获取页面的结构化表示（此处约为10个带名称的链接或字段，总字符数约200个token），根据名称选择其中一个字段，最后将获取到的信息以JSON格式输出。其余所有操作——包括将页面转换为结构化数据、候选项筛选、点击操作、信息读取以及结果验证——都由模型周围的处理流程完成。该模型永远不会直接看到HTML代码、截图或URL地址。实验任务包括：1）sandbox网站books.toscrape.com上的分类、书籍信息以及价格/评分/库存数据获取；2）实时版维基百科上，从无关页面跳转至三星Galaxy Note系列页面后，在页面约760个交互节点中识别出“Note 8”、“Samsung Galaxy Note 8.0”、“Galaxy Note 8.0”、“Note FE”等相似名称中的“Note 8”，并从信息框中提取发布日期；3）从表格中提取包括UPC码在内的5项数据。每项任务均执行10次，并与预设的期望结果进行比对。12种模型在任务1中的测试结果（使用相同脚本和提示词）如下：模型参数 | 任务1得分 | Qwen3-0.6B 0.6B | 10/10 | Qwen2.5-1.5B 1.5B | 10/10 | GLM-Edge-1.5B 1.5B | 10/10 | rating as digit Gemma-2-2B 2.6B | 10/10 | Llama-3.2-3B 3B | 10/10 | MiniCPM5-2B 2B | 9/10 | "£" -> "$" once Qwen2.5-0.5B 0.5B | 6/10 | LFM2.5-1.2B 1.2B | 0/10 | placeholder Llama-3.2-1B 1B | 0/10 | pseudo-code Gemma-3-1B 1B | 0/10 | placeholder LFM2-350M 0.35B | 0/10 | random click Gemma-3-270M 0.27B | 0/10 | placeholder。该模型在维基百科任务上的得分为10/10，在五字段任务上也为10/10。若使用原始HTML而非结构化页面表示，所有操作保持不变：在sandbox任务中，模型5次中有4次能完成目标，但每次处理所需token数达12k，耗时约22分钟，而使用结构化数据时仅需约500个token和80秒；在维基百科任务中，页面HTML总长度为467k字符，其中仅9%的内容能被模型纳入16k的上下文范围，而模型也未能在该9%的内容中找到目标链接，因此该任务得分为0/3。该实验存在一些限制：所有任务均为名称匹配和信息复制类型，凡是需要对页面内容进行判断的任务，参数为15亿参数的模型就无法完成——它无法从大量干扰项中选出正确选项，且尚未测试分页功能。顺便提一下，关于“识别特定设备型号”这一问题，“replay.py”脚本（可在github仓库查看）会根据日志重新生成提示词，并在任何兼容OpenAI的本地服务器上运行这些提示词。即便没有我们的协助，仅通过该脚本也需要10分钟时间来验证模型是否能在干扰项中选出“Note 8”。这仅仅是针对三项固定任务的测试结果，并非正式的性能基准测试。相关代码仓库地址为：github.com/e2llm/edge-browser-agent，其中包含所有脚本、原始JSONL文件（包括早期因程序缺陷导致的测试结果）、模型哈希值以及实验环境配置。“replay.py”功能可在任何本地服务器上离线重新运行模型，无需通过代理系统，也不需要账号。需注意：这并非全新概念，AgentOccam曾在GPT-4系列模型上展示过类似效果，WebLINX和MindAct则在经过微调的小型模型上实现了相同功能，而此处则是将实验推向了极端：未进行任何微调，模型参数低于10亿，且运行在2017年的旧款手机上。