論文の概要: Wuying-Browser-Agent: Real-World Centric Fundamental Long-Horizon Browser Agents
- arxiv url: http://arxiv.org/abs/2608.17319v1
- Date: Tue, 18 Aug 2026 03:23:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.194618
- Title: Wuying-Browser-Agent: Real-World Centric Fundamental Long-Horizon Browser Agents
- Title（参考訳）: Wuying-Browser-Agent: Real-World Centric Basic Long-Horizon Browser Agents
- Abstract要約: Wuying-Browser-Agentは、実行、監督、最適化、評価を扱う統一されたフレームワークである。
構造化ブラウザハーネスは、安定した実行プリミティブと決定指向のコンテキスト管理を提供する。
BrowserBenchは平均37.9ステップの350タスクのベンチマークである。
- 参考スコア（独自算出の注目度）: 34.59625581903402
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Browser agents perform well on short, clean demonstrations, but real deployment is fundamentally different: agents must sustain dozens of decisions on live websites while recovering from mistakes and navigating complex UIs. We argue that closing this gap requires alignment at every level of the pipeline, including execution, supervision, optimization, and evaluation, rather than scale alone. We present Wuying-Browser-Agent, a unified framework that addresses each of these levels. A structured browser harness provides stable execution primitives and decision-oriented context management. Reflection and UI-specialized Curriculum SFT (RUIC-SFT) explicitly trains on recovery trajectories and complex-UI interactions. Divergence-Aware Online GRPO (DAO-GRPO) improves long-horizon credit assignment through potential-based reward shaping and divergence-aware step weighting. Finally, we introduce BrowserBench, a bilingual real-web benchmark of 350 tasks averaging 37.9 steps, because most existing benchmarks are too short to expose long-horizon failure modes. Wuying-Browser-Agent-27B achieves 80.6\% on WebVoyager, 66.7\% on Online-Mind2Web, and 65.1\% on BrowserBench, establishing a new open-source state of the art on browser-use benchmarks. The same pipeline also transfers beyond browser use, demonstrating strong general agentic ability and reaching an average score of 73.8 on Tau2-Bench, Claw-Eval, and BFCL-v4.
- Abstract（参考訳）: ブラウザエージェントは、短いクリーンなデモでうまく機能するが、実際のデプロイは根本的に異なる。エージェントは、ミスから回復し、複雑なUIをナビゲートしながら、ライブWebサイト上で何十もの決定を持続しなければならない。
このギャップを埋めるには、スケール単独ではなく、実行、監督、最適化、評価など、パイプラインのすべてのレベルで調整が必要です。
それぞれのレベルに対応する統一フレームワークであるWuying-Browser-Agentを紹介します。
構造化ブラウザハーネスは、安定した実行プリミティブと決定指向のコンテキスト管理を提供する。
リフレクションとUI専門のカリキュラムSFT(RUIC-SFT)は、リカバリ軌道と複雑なUIインタラクションを明示的に訓練する。
Divergence-Aware Online GRPO (DAO-GRPO) は、潜在的報酬形成と分散対応ステップ重み付けにより、長期クレジット割り当てを改善する。
最後に、BrowserBenchを紹介します。これは350タスクの平均的な37.9ステップのバイリンガルな実Webベンチマークです。
Wuying-Browser-Agent-27BはWebVoyagerで80.6\%、Online-Mind2Webで66.7\%、BrowserBenchで65.1\%を達成した。
同じパイプラインはブラウザの利用を超えて、強力な汎用エージェント能力を示し、Tau2-Bench、Claw-Eval、BFCL-v4で平均スコア73.8に達した。
関連論文リスト
- BrowserForge: Scaling Web Episode via Parallel Browser Sandboxes [54.96895469970198]
BrowserForgeは、オープンなWeb上で多くのブラウザサンドボックスを並行して駆動することで、大規模なWebインタラクションデータを生成する。
BrowserForgeには3つのコンポーネントがある: オープンなWebソーシングステージ。
ルール+モデルクリーニングパイプラインは、失敗した実行を除去し、生き残った推論を単一の統合されたチェーン・オブ・シンクスタイルに書き換える。
論文 参考訳（メタデータ） (2026-08-25T17:35:42Z) - CAP: A Scalable Benchmark for Evaluating Cross-Site Browser Agents with Complex Actions and Perception [22.620664364045286]
大規模な言語モデルは、ブラウザを介してWebと対話する自律的なエージェントとして、ますます多くデプロイされている。
我々は、クロスサイト、ヒューマンライクなWebタスク上でブラウザエージェントを評価するためのスケーラブルなベンチマークであるCAPを紹介した。
108の現実世界のWebサイトと24のドメインに420のタスクを構築し、注意深く品質管理します。
論文 参考訳（メタデータ） (2026-08-09T01:08:19Z) - Running the Gauntlet: Re-evaluating the Capabilities of Agents Beyond Familiar Environments [67.2234316079859]
GauntletBenchは、挑戦的なシナリオでエージェントの一般化を評価するためのWebベースのベンチマークである。
調査されていない5つのプロフェッショナルアプリケーションにわたる3つの機能(時間的知覚、グラフィカルな理解、そして3D推論)に焦点を当てている。
実験結果から,フロンティアエージェントシステムは人間レベルの性能を達成するには程遠いことが判明した。
論文 参考訳（メタデータ） (2026-06-12T12:32:24Z) - 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) - WebForge: Breaking the Realism-Reproducibility-Scalability Trilemma in Browser Agent Benchmark [10.793973999774026]
既存のブラウザエージェントベンチマークは、基本的なトリレンマに直面している: リアルタイムWebサイトベンチマークは、コンテンツドリフトによる欠如、コントロールされた環境は、実際のWebノイズを省いてリアリズムを犠牲にする。
私たちは、このトリレンマを解決する最初の完全に自動化されたフレームワークであるWebForgeを紹介します。
7次元の難易度制御フレームワークは、ナビゲーション深度、視覚的複雑さ、推論困難度などに沿ってタスク設計を構成し、単一の集計スコアを超える体系的な能力プロファイルを可能にする。
論文 参考訳（メタデータ） (2026-04-13T04:45:27Z) - TimeWarp: Evaluating Web Agents by Revisiting the Past [7.017865728670461]
当社では,UIや設計,レイアウトなどさまざまなコンテナ環境を使用して,Webの進化をエミュレートするベンチマークであるTimeWarpを紹介した。
実験の結果,Webエージェントによる変更に対する脆弱性と,シングルバージョン軌道上での行動クローニング(BC)の限界が明らかになった。
提案するTimeTrajは,複数バージョンにわたるトラジェクトリの収集に計画蒸留を用いる,シンプルで効果的なアルゴリズムである。
論文 参考訳（メタデータ） (2026-03-05T08:43:06Z) - WARC-Bench: Web Archive Based Benchmark for GUI Subtask Executions [14.49822563708463]
複雑な現実世界のWebサイトをナビゲートするためにWebエージェントを訓練するには、$itsubtasks$をマスターする必要がある。
WARC-Benchは、サブタスク上でマルチモーダルAIエージェントを評価するように設計された438のタスクを特徴とする、新しいWebナビゲーションベンチマークである。
我々は、WARC-Benchが64.8%という最も高い成功率を持つコンピュータ使用モデルの先導に挑戦していることを示す。
論文 参考訳（メタデータ） (2025-10-10T21:20:51Z) - 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) - The BrowserGym Ecosystem for Web Agent Research [151.90034093362343]
BrowserGymエコシステムは、Webエージェントの効率的な評価とベンチマークの必要性の高まりに対処する。
本稿では,Webエージェント研究のためのBrowserGymベースの拡張エコシステムを提案する。
大規模なマルチベンチマークWebエージェント実験を初めて実施し、6つのWebエージェントベンチマークで6つの最先端LCMの性能を比較した。
論文 参考訳（メタデータ） (2024-12-06T23:43:59Z)
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。