論文の概要: RunAgent SuperBrowser: A Theory of Autonomous Web Navigation Grounded in Human Browsing Behaviour

• arxiv url: http://arxiv.org/abs/2606.09399v1
• Date: Mon, 08 Jun 2026 12:18:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.972114
• Title: RunAgent SuperBrowser: A Theory of Autonomous Web Navigation Grounded in Human Browsing Behaviour
• Title（参考訳）: RunAgent SuperBrowser: 人のブラウザ上での自律的なWebナビゲーションの理論
• Authors: Radeen Mostafa, Sawradip Saha,
• Abstract要約: 本稿では,単一誘導仮説に対して設計された自律型WebナビゲーションエージェントSUPERBROWSERを提案する。 ページを読んでいる人間は、見たすべてのピクセルを保持せず、いくつかの候補のターゲットを見て、それを決定し、ゴールを生き残るために必要なものだけを記憶する。 Mind2Web Hardベンチマークでは、SUPERBROWSERは89.47%の成功を達成し、公開/検索のブラウザエージェントベースラインを大きく上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present SUPERBROWSER, an autonomous web-navigation agent designed against a single guiding hypothesis: a web agent should browse the way a person browses. A human reading a page does not retain every pixel they have seen; they look at a few candidate targets, decide on one, and remember only what is needed to keep the goal alive. We operationalize this perception-cognition-action triad as three coupled mechanisms. First, a vision-first bounding-box pipeline labels candidate interactive regions on every screenshot and feeds them, asynchronously prefetched, to the language model so that the "eye" precedes the "hand". Second, a three-role brain -- an Orchestrator that classifies and routes, a Planner that evaluates progress every few steps, and a Worker that emits per-step actions -- separates strategic from operational reasoning. Third, a structured Ledger stores only what a person would: the goal, the last three actions, a small set of facts and dead-ends, and a handful of checkpoints; a six-phase eviction loop systematically discards stale screenshots, state blobs, and reasoning traces from the live context. Action execution is a three-tier click cascade (Chrome DevTools Protocol to Puppeteer to scripted) with humanized Bezier motion, plus a chevron-aware bounding-box snapper that resolves the "small arrow beside a large label" ambiguity. On the Mind2Web Hard benchmark (66 tasks), SUPERBROWSER attains 89.47% success, placing third overall and ahead of every published open/research browser-agent baseline by a large margin. We argue that the gain comes not from any single trick but from the consistent application of a cognitive contract throughout the system.
• Abstract（参考訳）: 本稿では,単一誘導仮説に対して設計された自律型WebナビゲーションエージェントであるSUPERBROWSERについて述べる。 ページを読んでいる人間は、見たすべてのピクセルを保持せず、いくつかの候補のターゲットを見て、それを決定し、ゴールを生き残るために必要なものだけを記憶する。 我々はこの認知-認知-行動三元を3つの結合メカニズムとして運用する。 まず、視覚ファーストのバウンディングボックスパイプラインは、スクリーンショット毎に候補となる対話的リージョンをラベル付けし、それらを非同期にプリフェッチして、"eye"が"hand"に先行するように言語モデルにフィードする。 第2に、3ロールの脳 -- 分類とルーティングを行うオーケストレータ、数ステップ毎に進捗を評価するプランナー、ステップ毎にアクションを発行するWorker – は、運用上の推論から戦略的に分離する。 第3に、構造化されたLedgerは、目標、最後の3つのアクション、少数の事実と終了点、少数のチェックポイントのみを格納する。 アクション実行は、3層クリックカスケード(Chrome DevTools Protocol to Puppeteer to scripted)で、人間化されたBezierモーションと、"大きなラベルの横にある小さな矢印"の曖昧さを解決したチェヴロン対応のバウンディングボックススナッパを備える。 Mind2Web Hardベンチマーク(66のタスク)では、SUPERBROWSERは89.47%の成功を達成し、公開/検索のブラウザエージェントベースライン全体の3分の1を大きなマージンで上回っている。 ひとつのトリックではなく、システム全体の認知的契約の一貫性のある適用から得られるものだ、と私たちは主張する。

関連論文リスト

• Cookie-Bench: Continuous On-screen Key Interaction Evaluation for Web Generation [24.920344869492066]
  textbfdatanameは11ドメイン、54リーフ、1000キューのWebDevベンチマークで、静的表現とインタラクティブアプリケーションの両方にまたがる。 textbfframenameはフラヴェルのメタ認知モニタリングに基づいており、3段階にわたる判断から証拠の蓄積を分離している。
  論文  参考訳（メタデータ） (2026-05-28T14:30:33Z)
• GTA: Generating Long-Horizon Tasks for Web Agents at Scale [82.43869456830664]
  我々は、クローリング、検索ベースのシード、コンテキスト内生成、自動品質管理を統合したスケーラブルなフレームワーク、GTAを導入する。 eコマース、政府、フォーラム、ニュースをカバーする50以上のウェブサイトでパイプラインをインスタンス化し、マルチリンガルとマルチホップをカバーしています。 i) マルチホップWebエージェントタスク生成の形式化、(ii) 自動データ生成のための効率的で検証されたパイプラインの提案、(iii) 再現可能な評価を伴う動的ベンチマークのリリースである。
  論文  参考訳（メタデータ） (2026-05-28T01:05:50Z)
• Odysseys: Benchmarking Web Agents on Realistic Long Horizon Tasks [67.44219836008348]
  我々はOdysseysについて紹介する。Odysseysは、ライブインターネット上で評価された実世界のブラウジングセッションから得られた200のロングホライゾンWebタスクのベンチマークである。 その結果,2進パス/フェイル評価は長距離設定では不十分であり,各Odysseysタスクに平均6.1グレードのルーリックをアノテートするルーリックに基づく評価が導入された。 最強のモデルは44.5%の成功率に達しており、将来の改善の余地は十分にある。
  論文  参考訳（メタデータ） (2026-04-27T20:05:41Z)
• Visual Confused Deputy: Exploiting and Defending Perception Failures in Computer-Using Agents [9.457255218406333]
  コンピュータ利用エージェント(CUA)はグラフィカルユーザインタフェースに直接作用するが、画面に対する認識は信頼できないことが多い。 我々は、エージェントが誤認識された画面状態に基づいてアクションを認可する障害モードである視覚的混乱副産物を形式化する。 この脅威を軽減するため,エージェントの知覚ループ外で動作する最初のガードレールを提案する。
  論文  参考訳（メタデータ） (2026-03-16T01:31:32Z)
• WebOperator: Action-Aware Tree Search for Autonomous Agents in Web Environment [11.364916354844938]
  LLMをベースとしたエージェントは、現在の観察に基づいてのみ行動を選択する、欲張りのステップバイステップで動作する。 明確な追跡機構がなければ、エージェントはエラーの修正や代替経路の体系的な探索に苦労する。 我々は、信頼性の高いバックトラックと戦略的探索を可能にする、ツリー検索フレームワークであるWebOperatorを紹介した。
  論文  参考訳（メタデータ） (2025-12-14T13:56:54Z)
• BrowserArena: Evaluating LLM Agents on Real-World Web Navigation Tasks [51.803138848305814]
  我々はBrowserArenaを紹介した。BrowserArenaは、ユーザから送信されたタスクを収集するオープンソースのエージェント評価プラットフォームである。 Captcha解決、ポップアップバナー削除、URLへのダイレクトナビゲーションの3つの一貫した障害モードを特定します。 本研究は,Webエージェントの多様性と脆性の両方を明らかにする。
  論文  参考訳（メタデータ） (2025-10-02T15:22:21Z)
• Auto-Intent: Automated Intent Discovery and Self-Exploration for Large Language Model Web Agents [68.22496852535937]
  本稿では,事前訓練された大規模言語モデル(LLM)を,直接微調整なしで対象ドメインのエージェントとして適用する手法であるAuto-Intentを紹介する。 提案手法はまず,対象領域の実証から意図を教師なしで発見する。 我々は、エージェントの過去の観察と行動から次の意図を予測するために、意図予測器を訓練する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:04Z)
• Self-Supervised Object Goal Navigation with In-Situ Finetuning [110.6053241629366]
  この研究は、探検を通じて世界の自己監督モデルを構築するエージェントを構築する。 ObjectNavエージェントのすべてのコンポーネントをトレーニングできる強力なセルフスーパービジョンのソースを特定します。 我々は,エージェントが実世界で競争力を発揮し,シミュレーションを行うことを示す。
  論文  参考訳（メタデータ） (2022-12-09T03:41:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。