web-agents

OpenWebRL提出了一个开放框架，用于在真实网站上利用在线多轮强化学习训练视觉网页代理，以极少的初始监督实现了最先进的性能。其4B参数模型优于先前的开放代理，并与OpenAI CUA和Gemini CUA等专有系统竞争。

本文介绍了GTA，一个可扩展的框架，用于自动生成具有可执行轨迹的长时域、多跳Web智能体任务，解决了Web智能体基准测试中缺乏过程级监督的问题。该框架集成了爬取、基于检索的种子生成和自动质量控制，以在多个网站上产生现实的任务。

Google 在 Google I/O 上演示了 Chrome DevTools 与 AI 代理的新工作流，包括 WebMCP 和 HTML-in-Canvas 等 API，旨在让开发者轻松将网页功能暴露给 AI 代理，并保持语义、无障碍和安全边界。

DRIVE提出了一种双层技能建模框架，将推理知识与交互知识分离，用于持续学习下的Web智能体。该方法在WebArena上实现了52.8%的任务成功率，比无技能基线高出7.3个百分点。

Weasel是一种用于Web代理离线训练的轨迹选择方法，通过平衡重要性与多样性来提升域外泛化能力。该方法在多个基准测试中实现了高达12.5倍的训练加速并提升了性能。

Accio 是一种推测执行框架，通过利用离线站点结构分析和在线快速路径选择，降低网络代理的成本和延迟，实现每任务成本降低1.9倍，延迟降低33.4%，同时保持准确性。

ShopGym 是一个框架，它将实时的电子商务店面转换为自包含的沙盒商店，用于对网络代理进行真实、可控和可重复的基准测试，并包含涵盖七类技能的合成任务。

SimPersona 使用 VQ-VAE 从原始点击流中学习离散的买家画像，并将其映射为 LLM 驱动的网络代理的画像令牌，在多个在线商店中实现了高转化率对齐。

WebHarbor 将 15 个真实网站（Amazon、GitHub、BBC 等）打包为自包含的 Flask+SQLite 应用，置于单个 Docker 镜像中，支持亚秒级重置，专为可重复的网页智能体评估与训练而设计。该项目邀请社区贡献，以扩展到 100 多个网站，并提供合著机会。

本文介绍了 LongMemEval-V2，这是一个用于评估 Web 智能体长期记忆系统的基准，同时提出了两种记忆方法：AgentRunbook-R 和 AgentRunbook-C。

Qwen 发布了 WebWorld，这是一个用于 Web Agent 的开源模型系列（8B/14B/32B），采用 Apache 2.0 许可证，在 MiniWob++ 和 WebArena 基准测试中提升了性能。

Apple Research 推出了 Weblica，这是一个利用 HTTP 缓存和基于大语言模型（LLM）的合成技术，为视觉 Web 智能体创建可扩展且可复现训练环境的框架。

本文介绍了 Region4Web 框架，该框架通过将观测空间组织成功能区域而非单个元素，从而提升了网络智能体的性能。研究表明，这种方法在 WebArena 基准测试上缩短了观测长度并提高了任务成功率。

本文介绍了WebStep，一个基于语义状态追踪的网页代理过程级评估基准和框架。它揭示了超越最终成功指标的详细性能差异和错误定位。

WebShaper 是一个形式化驱动的框架，利用集合论和知识投影（Knowledge Projections）合成信息搜寻数据集，在 GAIA 和 WebWalkerQA 基准测试中，其开源代理达到了最先进的性能。