这项由美国伊利诺伊大学厄巴纳-香槟分校（UIUC）与微软钻研院结合发展的钻研 ，于2026年6月颁布在预印本平台arXiv上 ，论文编号为arXiv:2606.02031。有兴致深刻相识的读者能够通过该编号查问齐全论文。
每天 ，全球罕见十亿人打开浏览器 ，在网页上搜索商品、填写表单、比价购物、查阅信息。这些操作对人类来说垂手可得 ，但对AI来说 ，却是一座难以翻越的山。网页是动态的、混乱的、充斥弹窗和验证码的 ，并且每隔一段功夫就会改版——这对必要"看懂网页、点对处所、实现工作"的AI智能体来说 ，险些是噩梦般的训练场。
目前最严害的网页AI智能体 ，根基都把握在OpenAI、Google这样的科技巨头手中 ，属于不合表公开训练细节的"黑箱系统"� ？瓷缜倘灰苍谥铝� ，但普遍依赖一种叫做"监督进建"的方式——也就是先网络大量人类操作网页的示范录像 ，再让AI仿照。这种方式有个致命短板：录像拍摄既昂贵又费时 ，并且录造实现的一刻起就起头"过期" ，底子跟不上互联网一日千里的变动节拍。
正是在这样的布景下 ，UIUC与微软的钻研团队决定另辟蹊径。他们的主题思路是：与其让AI死记硬背人类的操作示范 ，不如让AI直接在真实网站上"自己去试" ，从成功和失败中进建。这个方向被称为"在线强化进建" ，对于视觉化的网页智能体来说 ，它此前险些还是一片空缺地带。
钻研团队将这套齐全的训练框架定名为OpenWebRL ，并在此基础上训练出了一个4B参数规模的模型OpenWebRL-4B。这个模型仅凭400条初始示范轨迹和2200个在线训练工作 ，就在三个顶级网页智能体测评基准上刷新了开源最高分 ，部门指标甚至超过了OpenAI和Google的贸易系统。
一幼我学骑自行车 ，会从跌倒中履历到平衡的沉要性 ，并鄙人次调整姿势。这个反馈是即时的、清澈的。但让AI在网页上进建实现工作 ，面对的反馈环境要复杂得多。网页是活的——今天还能正常显示的按钮 ，明天可能被移走；今天能跑通的登录流程 ，明天可能多了一路验证码；某些网站会把频仍的自动化操作鉴别为"机械人"并直接关闭接见。这些都是"环境噪声" ，很容易让AI误以为是自己做错了 ，从而学偏。
更难的问题在于：网页工作的"成功与否"往往要比及整个工作实现后能力判断。你无法在AI点击第三个按钮的时辰通知它"这一步做得对" ，只能在它最终回覆出"这款鞋的最廉价是299元"之后 ，能力评价整个过程对不合。这种"过后才知路了局"的反馈机造 ，对训练算法的设计提出了很高的要求。
与此同时 ，视觉信息的处置价值极高。每一步操作 ，AI都要"看"一张网页截图——这张截图可能蕴含数百个元素 ，亏损大量推算资源。若是每一步汗青截图都保留在AI的"影象"中 ，一个30步的工作轨迹甚至会超出大无数模型的高低文承载上限。
钻研团队在论文中系统性地梳理了这些挑战 ，并为每一个挑战设计了具体的解决规划 ，这些规划共同组成了OpenWebRL框架的主题。
能够把这套系统理解为给AI搭建了一个"沙盒游乐场"——每个训练工作都在独立的虚褂委览器窗口中运行 ，互不滋扰 ，就像每位学员都有自己专属的训练跑路 ，不会由于别人的失误影响自己。这套基础设施基于Playwright和Chromium构建 ，运行在Kubernetes容器化环境中 ，支持上百个浏览器事俘同时并走运作。
但真实网页的麻烦在于 ，即便环境搭好了 ，各类意表随时会产生：某个网站加载太慢、某次网络要求超时、某页面忽然弹出验证码、某个按钮由于反自动化机造而回绝被点击。钻研团队为此设计了美满的"容错机造"——系统会自动分辨"是AI做错了"还是"是网站出问题了" ，并将失败原因具体纪录下来 ，以便后续分析。对于那些反复出现网络故障的网站 ，系统还会自动将其列入黑名单 ，预防训练资源浪费在底子无法接见的地址上。
仅靠截图 ，AI很难知路自己的操作是否真的生效了。点了一个按钮之后 ，页面可能看起来没什么变动 ，但现实上可能已经偷偷导航到新页面、或者填写进去的内容底子没被接受。
OpenWebRL解决这个问题的方式 ，是给每一次操作都附上一条"文字反馈" ，相当于给AI建设了一个实时助理 ，在它每次操作后耳语提醒："刚才你点的那个按钮成功了 ，页面跳转到了xxx" ，或者"你输入的文字和现实接受的内容不一致 ，把稳看"。这条文字反馈是通过度析操作前后的网页DOM树（网页结构树）变动来天生的 ，内容简洁但信息密度高。
这条反馈的沉要性在后续尝试中得到了明确验证——去掉这个文字反馈 ，AI在多个基准测试上的成功率会降落5到8个百分点。尤其是在必要多步操作的长程工作中 ，少了这个反馈 ，AI就像在阴郁中摸索 ，很容易在一个已经失败的操作上反复纠缠 ，或者没意识到某个关键步骤已经犯错。
OpenWebRL为AI建设了一套由13个基础操作工具组成的工具箱 ，涵盖鼠标点击（单击、双击、右键）、键盘输入、页面滚动、网址跳转、前进后退、标签页治理 ，以及最沉要的"实现并汇报"操作——这是AI通知系统"工作做完了 ，我的答案是xxx"的唯一方式。
更有趣的是 ，AI每次不必要只挪用一个工具。钻研团队允许AI在一次"思虑-行动"周期中陆续挪用多个工具。好比 ，AI能够在一次输出中同时实现"点击搜索框、输入关键词、按回车"这三个陆续作为 ，而不必要经历三次"截图→思虑→操作→期待截图"的齐全循环。这个设计大大提高了训练效能 ，削减了不用要的模型与环境之间的来回交互。
一个30步的网页操作工作 ，若是把每一步的截图都保留在AI的影象中 ，数据量之大足以撑爆大无数模型的高低文限度。钻研团队的解决规划既简洁又高效：只保留最近一张截图 ，但齐全保留汗青文字信息。
路理其实很朴素：人在做复杂工作时 ，不必要同时盯着之前每一步的操作界面 ，只必要记住之前做了什么、了局怎么 ，以及当前屏幕上看到的内容就够了。AI也是如此。汗青截图被抛弃 ，但每一步的操作纪录、环境反馈和AI自己的"思虑过程"都齐全保留 ，作为文字大局的"工作影象"。
尝试了局批注 ，只保留最近一张截图（K=1）与保留最近两张相比 ，成效险些没有差距 ，但推算成本却显著降低——保留两张截图会让训练时长从约240 GPU幼时增长到400 GPU幼时。这个发现通知我们 ，在多模态智能体的长程工作中 ，说话影象的价值往往比视觉汗青更为关键。
OpenWebRL的训练分为两个阶段 ，这两个阶段的设计思路 ，很像人类进建新技术的经典蹊径：先随着教员学根基功 ，再独立上场实战提升。
第一阶段是"监督微调" ，也就是让AI先仿照高手操作。钻研团队使用Qwen3-VL-235B（一个占有2350亿参数的超大模型 ，能够理解为行业顶尖水平的"教员"）来实现一批网页工作 ，筛选出成功的轨迹 ，而后从中精心遴选412条最具代表性的轨迹 ，让4B的幼模型来仿照进建。
之所以只选412条而不是用几十万条 ，是有沉思熟虑的理由的。钻研团队发现 ，若是喂太多示范数据 ，幼模型会把教员的操风格格学得过于枯燥 ，反而在后续的实战训练中不足"可塑性" ，难以被进一措施整优化。就像一个从幼被逼着照本宣科的学生 ，反而不如那个只学了根基准则、但保留了自主索求能力的学生进取更快。
尝试中 ，钻研团队对比了四种分歧的初始化方式：齐全不做监督训练、少量训练1轮、适量训练3轮 ，以及大量数据训练3轮。了局发现 ，适量的监督预热（412条数据、3轮训练）带来的后续强化进建成效最好 ，而大量数据预热反而会牵累最终阐发。这个结论有沉要的实际领导意思：初始化的主张是"让AI能起头索求" ，而不是"把AI调教成一个美满的仿照者"。
每次训练 ，系统会给AI统一个工作 ，让它独立尝试5次（一组） ，天生5条分歧的操作轨迹。有些轨迹成功实现了工作 ，有些失败了。系统随后推算这5次尝试的均匀成功率 ，而后通知AI：比均匀水平高的那些轨迹 ，应该更多去仿照；比均匀水平低的那些轨迹 ，应该预防沉蹈覆辙。这种"组内相对比力"的方式 ，让系统不必要一个表部的"美满尺度答案" ，只必要自己内部的成败对比就能持续进取。
有一个细节极度值得关注：若是某个工作的5次尝试了局齐全一样（好比全数成功或全数失败） ，这组数据会被直接抛弃 ，不参加训练更新。路理很单一——全数成功意味着这个工作太单一 ，AI已经把握了；全数失败意味着这个工作当前太难 ，临时无法从中学到有效信号。只有那些"有时成功、有时失败"的工作 ，能力提供最有价值的进建素材。这相当于为AI自动构建了一个难度适中的动态课程。
训练选取了"两阶段滚动步长"的战术：吓酌最多15步的短程工作训练90轮 ，让模型在较短的工作中成立基础索求能力 ，再切换到最多30步的长程工作再训练50轮 ，让模型学会应对真正的长程规划挑战。尝试批注 ，这种由短到长的课程式训练 ，比一路头就直接上30步工作的成效要好得多 ，尤其在WebVoyager这个必要较多步骤的基准上 ，差距高达7.4个百分点。
一些工作能够用规定判断 ，好比"找到这款手机的最廉价值" ，只有查对数字就行。但好多工作的评价必要理解语义 ，好比"找到一家评分最高且离我最近的五星级牙医" ，答案可能因网页状态分歧而有合理差距 ，不是单一对比字符串就能判断对错的。
钻研团队的默认规划是用GPT-4.1作为"评价官" ，但这会产生显著的用度：一次齐全的训练尝试必要挪用约4.32万次GPT-4.1评价API ，总用度约545.5美元。对于很多学术钻研组来说 ，这是不幼的职守。
为相识决这个问题 ，钻研团队专门从1.25万条带有GPT-4.1评价标签的真实轨迹数据中 ，蒸馏训练出了一个8B规模的开源评价模型OpenWebRL-Judge-8B。尝试证明 ，这个评价模型与GPT-4.1的判断吻合度高达89.8% ，综合F1分数达到92.1% ，超过了WebJudge-7B、Qwen3-VL-32B甚至GPT-4o等竞争者。用这个本地评价模型代替GPT-4.1之后 ，最终模型的机能险些没有损失 ，均匀成功率从68.4%仅微降到68.3%——险些能够忽略不计。
钻研团队还对比了直接用Qwen3-VL-8B（未经专门训练的通用模型）作为评价官的成效 ，了局令人警惕：训练嘉奖分数看起来越来越高 ，但现实测试成功率却在持续下滑——这是典型的"嘉奖糊弄"景象 ，AI学会了若何让评价官中意 ，而不是真正实现工作。这进一步注明 ，专门训练的评价模型对于整个训练系统的不变性至关沉要。
WebVoyager是一个覆盖15个主流网站的综合型基准 ，共595个工作；Online-Mind2Web则蕴含136个网站的300个长程工作 ，难度更高；DeepShop专一于电商购物场景 ，要求AI在多沉约束下实现商品搜索与选择 ，共150个工作。
OpenWebRL-4B在这三个基准上别离获得了74.1%、67.0%和64.0%的成功率 ，均匀成功率68.4% ，成为一致规� ？茨Ｐ椭械淖罡咚�。横向对比来看 ，它不仅大幅超过了FARA-7B（后者在Online-Mind2Web和DeepShop上别离只有34.1%和26.2%）、MolmoWeb-8B（35.3%和42.3%） ，甚至超过了占有2350亿参数的Qwen3-VL-235B-A22B。更值得关注的是 ，OpenWebRL-4B在Online-Mind2Web和DeepShop两个基准上还压过了贸易系统OpenAI CUA（58.3%和24.7%）和GPT-5的SoM版本（57.7%和49.1%）。
这些成就的获得 ，仅使用了412条初始示范轨迹和2200个强化进建训练工作 ，而竞争敌手如MolmoWeb则使用了超过27.85万条数据——相差了整整两个数量级。这批注 ，高质量的在线交互训练所带来的提升 ，齐全能够添补初始数据量上的巨大差距。
一个有趣的发现是：随着训练的推动 ，AI每一步的输出的确变长了 ，但总体工作实现所需的步骤数却在削减——均匀步数从第0轮的14步降落到了第80轮的8.9步 ，整个轨迹的总长度也相应缩短。这注明AI并不是在无效地"啰嗦" ，而是在更少的步骤内做更充分的思虑。
钻研团队对AI的思虑内容进行了深刻分析 ，界说了四种常见的"思想模式"：汗青总结（回首之前做过什么、去过哪些页面、什么步骤失败了）、阻碍诊断（发现验证码、页面关闭等拦截）、沉试规划（造订新的代替战术）和前提验证（逐一核查工作要求是否满足）。
训练前后 ，这四种模式的呈显斓率都有显著提升：汗青总结的出现率从14.5%提升到21.4% ，阻碍诊断从14.2%提升到23.7%。并且 ，出现这些思想模式的步骤 ，其响应长度增长更为显著 ，从均匀332 token增长到542 token（汗青总结） ，从273增长到440（阻碍诊断）；相比之下 ，不蕴含这些模式的通常步骤 ，长度增长极度有限（从282增长到325）。
这注明AI学会了"有选择地深度思虑"：在关键决策节点上投入更多认知资源 ，而不是均匀地在每一步上平摊思虑量。这种行为模式与人类专家的认知方式高度吻合——遇到卡点时深度分析 ，熟悉操作时急剧执行。
说到底 ，OpenWebRL证了然一件在AI钻研领域颇具争议的事：对于网页智能体这类必要在复杂、动态环境中做长程决策的工作 ，"让AI在真实世界里边做边学"不仅是可行的 ，并且比"堆砌大量人类示范数据"要高效得多。
这对通常用户意味着 ，未来我们可能会看到更多能真正理解网页、实现复杂在线工作的AI副手 ，而这些AI不再必要依赖科技巨头把握的海量私罕见据 ，而是能够通过盛开的框架和有限的初始训练 ，在公开的互联网上持续自我提升。
从钻研自身的局限性来看 ，有51%的失败案例源于网页自身的接见问题——验证码关闭、网络衔接失败、反自动化机造等——这些都不是模型能力的问题 ，而是盛开互联网上AI智能体必须面对的基础设施挑战。另表27%的失败来自模型在长程多约束工作中的规划和跟踪能力不及 ，13%来自视觉定位的精度问题。这些方向 ，也正是接下来钻研致力的沉心地点。
钻研团队已颁发将公开颁布训练数据、模型权沉和齐全代码 ，让学术界和独立钻研者都能在此基础上持续索求。对视觉AI、智能体技术或强化进建感兴致的读者 ，能够通过arXiv编号2606.02031找到这篇齐全论文 ，或者接见项目主页openwebrl.github.io获取更多资源。
A：这重要归功于在线强化进建的训练方式。OpenWebRL-4B不是靠死记硬背人类示范来进建 ，而是在真实网站上自己着手做工作 ，从成功和失败的了局中总结经验。400条数据只是用于"打基础"的初始监督训练 ，真正让模型突飞猛进的是后续2200个工作的在线实战操练。单一说 ，质量高的真实交互经验 ，比数量大的静态示范数据更有进建价值。
A：两者的评价正确率极度靠近 ，但成本差距巨大。用GPT-4.1作评价官 ，一次齐全训练必要破费约545美元的API用度；而OpenWebRL-Judge-8B是一个能够本地运行的开源模型 ，训练实现后不必要额表付费。更沉要的是 ，尝试证明用GPT-4.1训练出来的模型和用OpenWebRL-Judge-8B训练出来的模型 ，最终测评成就险些齐全一样 ，均匀成功率仅差0.1个百分点。
A：由于截图的信息量极大 ，保留所有汗青截图会超出模型的处置上限。尝试发现 ，保留最近两张截图和只保留一张相比 ，成效险些没有差距 ，但推算成本从240 GPU幼时增长到400 GPU幼时。AI真正必要的"汗青影象" ，其实通过保留每步的文字反馈和AI自己的推理纪录就已经足够 ，这些文字信息比汗青截图更紧凑、更高效地传递了关键信息。
1V1高辣从8月开始，北看台将新增超过7000个座位；在瓜迪奥拉离任后，球队也将进入新阶段。对球迷来说，未来不可避免还会出现更多问题，俱乐部不能在对待球迷的方式上掉以轻心。穆巴拉克在年度采访中面向球迷谈到，俱乐部需要在商业需求和俱乐部本质之间保持平衡，同时避免“让球迷承受压力”。在季后赛首轮爆冷不敌76人后，如果绿军篮球运营总裁布拉德·史蒂文斯决定出手争夺字母哥级别的超巨，这完全在情理之中。在球队新老板比尔·奇斯霍尔姆的治下，绿军的唯一目标就是年年争冠。上赛季，尽管核心杰森·塔图姆因跟腱伤势长期缺阵，绿军依然以东部大热姿态杀入季后赛。然而，打出MVP级别常规赛表现的杰伦·布朗在面对76人时却屡现挣扎，这不禁让外界浮想联翩：如果史蒂文斯决定孤注一掷追求字母哥，剧情会如何发展？1V1高辣《租借女友》第二季即便印度从法国进口114架“阵风”战斗机的协议能够顺利落实，它们仍无法填补印度空军战斗机的巨大缺口。接受《环球时报》记者采访的中国专家表示，印度空军为此提出“多条腿走路”的方案，但从当前情况看，普遍进展不顺，难以解决其困境。您之前说过，其实您不太喜欢“您对球队有什么期待”这种提问方式。不过我还是想换个方式问：明天您最想看到什么？两天前哈弗茨告诉我们，球队会把这场比赛当成世界杯比赛来踢。既然这是世界杯前最后一次彩排，那么您最看重什么？
20260608 ? 1V1高辣叉车虽属场（厂）内专用机动车辆，依法不得上路行驶，但其本身具有机动车的车辆属性。因此，醉酒驾驶叉车上道路行驶，同样构成危险驾驶罪。《溏心WINALL/WIN7/WIN10/百度》他在准备好的发言稿中表示：“随着自研大模型迭代升级，智能体能承接的工作会越来越多，最终实现全权代管企业全链路运营。”
20260608 ? 1V1高辣6月4日，据长电科技（600584.SH）消息，近日，长电科技位于江阴城东生产基地的高密度3D系统集成高端制造项目新厂房正式启用，并实现首批设备进场。《网络精子系统(快穿)女主叫江沫》“我根本没法入睡。早晨7点钟，我又吐了，这次要更加严重。医生给我检查了身体，并开了药。这一整天我都无法吃饭，而且不断地跑向厕所，太煎熬了。我只能退出比赛。我本不想退出，但一站起来就头晕。对我来说，退赛是正确的。”
京公网安备11010202000001号
