WebAnything автоматически воссоздаёт реальные сайты для обучения веб-агентов

Веб-агентам для воспроизводимого обучения и оценки нужны разнообразные, исполняемые и сбрасываемые в исходное состояние среды-сайты. По описанию авторов, у существующих подходов есть слабые места: копии, собранные с участием человека, требуют отдельной инженерной работы для каждого сайта; генеративное построение может расходиться с заданными реальными сайтами; а запись с последующим воспроизведением (capture-and-replay) сохраняет наблюдения, но охват взаимодействий ограничен тем, что записано, и возможностями воспроизведения.

WebAnything, полностью автоматический фреймворк, который воссоздаёт многоразовые веб-среды, опирающиеся на источник, по реальным URL. После первоначальной настройки и авторизации ни ручной реализации, ни ручной починки для каждого сайта не требуется. Работает это так: компонент Explorer-Builder собирает наблюдаемые в браузере структуры, ресурсы и результаты взаимодействий, а независимый верификатор проверяет «замороженные» кандидаты и направляет локальную починку или точечный повторный захват источника.

Авторы построили 244 сайта-артефакта в 14 прикладных областях и 53 категориях; на них выполнено и принято 12 984 задачи. В сравнении с WebHarbor, где участвует человек, WebAnything получил более высокие совокупные оценки по трём метрикам достоверности копии, а в слепой аудиторской проверке, 12 побед, две ничьи и ни одного поражения.

Дообучение модели Qwen3.5-9B на 5 856 траекториях взаимодействия с этими средами подняло результаты: успешность на REAL выросла на 9,9 процентного пункта; на Odysseys-Easy показатели Rubric Avg и Task Avg выросли на 6,25 и 6,32 процентного пункта соответственно; общая успешность на WebArena-Verified при фиксированной обвязке (harness), на 13,33 процентного пункта. Код опубликован на GitHub (организация china-qijizhifeng, репозиторий Web-Anything).

Ключевые факты

WebAnything, полностью автоматический фреймворк: по реальным URL воссоздаёт многоразовые веб-среды без ручной реализации и починки для каждого сайта после первоначальной настройки и авторизации.
Конвейер из двух частей: Explorer-Builder собирает структуры, ресурсы и результаты взаимодействий в браузере, независимый верификатор проверяет кандидаты и направляет починку или повторный захват источника.
Построено 244 сайта-артефакта в 14 прикладных областях и 53 категориях; принято и выполнено 12 984 задачи.
Против WebHarbor (с участием человека), выше совокупные оценки по трём метрикам достоверности; в слепой проверке 12 побед, две ничьи, ноль поражений.
Дообучение Qwen3.5-9B на 5 856 траекториях: +9,9 п.п. на REAL, +6,25 и +6,32 п.п. на Odysseys-Easy (Rubric Avg и Task Avg), +13,33 п.п. на WebArena-Verified Overall при фиксированной обвязке.

Почему это важно

Обучение и оценка веб-агентов упираются в среды: нужны сайты, которые можно исполнять и сбрасывать в исходное состояние, а ручная сборка копий для каждого сайта дорога. WebAnything пытается убрать ручной труд: среду строят автоматически по реальному URL. Если заявленные результаты воспроизведутся, это способ быстро наращивать обучающие среды, близкие к настоящим сайтам.

Кому это важно

Исследователям и командам, которые обучают и оценивают веб-агентов и упираются в нехватку воспроизводимых сред. Также тем, кто сравнивает подходы к построению сред: копии с участием человека, генеративное построение, запись и воспроизведение.

Как это применить

Код опубликован на GitHub (china-qijizhifeng/Web-Anything), так что подход можно попробовать на собственных сайтах. Авторы оговаривают, что ручной работы для каждого сайта не нужно только после первоначальной настройки и авторизации. Условия лицензии и требования к ресурсам в описании не приведены.

Можно ли доверять

Это препринт, и все цифры, заявления самих авторов. В описании не названы три метрики достоверности, не сказано, кто проводил слепой аудит и сколько было оценщиков. Не указаны и исходные результаты Qwen3.5-9B до дообучения, поэтому абсолютные уровни на бенчмарках неизвестны. Прирост дан в процентных пунктах, а не в процентах.

Риски и подводные камни

Неясно, сравнивали ли прирост от дообучения с моделью, обученной на WebHarbor или других средах, только с этим сравнением можно судить, насколько выигрыш связан именно с WebAnything. Не указано, сколько времени занимает автоматическая сборка сайта и сколько она стоит. Для сайтов нужны первоначальная настройка и авторизация, а число задач и сайтов в каждой бенчмарк-оценке в описании не названо.