論文の概要: Back to Basics: A Skill-Centric Approach to Generalist Web Agents

• arxiv url: http://arxiv.org/abs/2610.35823v1
• Date: Mon, 26 Oct 2026 17:47:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.131454
• Title: Back to Basics: A Skill-Centric Approach to Generalist Web Agents
• Title（参考訳）: Back to Basics: ジェネラリストWebエージェントに対するスキル中心のアプローチ
• Abstract要約: 我々は15ドメインにわたる65の相互接続WebサイトからなるWebの現実的なミニチュアであるMiniWebを紹介する。 369の人間による注釈付きタスクは毎日カバーし、37種類の再利用可能なインタラクションプリミティブを7つのスキルファミリーに分類する。 ドラッグ&ジェスチャは一貫して最も弱いファミリーであり、エージェントがインスタンスの24%以上を解決していないことを示している。 筆者らは,MiniWebのスキル中心のトレーニングデータを自律的に生成するフレームワークであるMiniWebGenを紹介した。
• 参考スコア（独自算出の注目度）: 5.327791393590387
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Browser agents do not just need more practice. They need to practice the right things. We introduce MiniWeb, a realistic miniature of the web comprising 65 interconnected websites across 15 domains, where agents navigate, search, and transact as people do. Its 369 human-annotated tasks cover everyday workflows and label 37 reusable interaction primitives grouped into 7 skill families, allowing us to diagnose which skills fail rather than only whether a task succeeds. Benchmarking ten open-weight agents, we find that drag & gesture is consistently the weakest family, with no agent solving more than 24% of its instances. To address this gap, we introduce MiniWebGen, a framework that autonomously generates verified, skill-centric training data from MiniWeb. Fine-tuning Qwen3.5-4B on just 3.1K verified trajectories improves single-primitive success by 24.9pp across 13 unseen websites, with gains across every skill family. However, these trajectories teach short-horizon interactions, which do not directly translate to full-task success. We build on this result with MiniWebAgent, which pairs the trained executor with a planner that decomposes full tasks into the skill-level steps it learned to perform. This approach improves task success by 19.4pp points on unseen MiniWeb sites and transfers to external benchmarks, with gains of 9.3pp on WebArena-Lite, 16.1pp on Online-Mind2Web, and 20.0pp on WebVoyager, without training on their trajectories. We provide a simple recipe for compact browser agents: practice reusable skills directly, then compose them to solve unfamiliar tasks.
• Abstract（参考訳）: ブラウザエージェントは、単にもっと練習が必要なだけではありません。 彼らは正しいことを練習する必要がある。 われわれは15ドメインにわたる65の相互接続WebサイトからなるWebの現実的なミニチュアであるMiniWebを紹介した。 その369の人間注記タスクは、日常のワークフローをカバーし、37の再利用可能なインタラクションプリミティブを7つのスキルファミリーに分類し、タスクが成功するかどうかではなく、どのスキルが失敗するかを診断する。 10のオープンウェイトエージェントをベンチマークすると、ドラッグ&ジェスチャが一貫して最も弱いファミリーであり、そのインスタンスの24%以上を解決しているエージェントがいないことが分かります。 このギャップに対処するため、MiniWebGenは、MiniWebから検証済みのスキル中心のトレーニングデータを自律的に生成するフレームワークである。 わずか3.1Kの検証軌道上の微調整Qwen3.5-4Bは、13の未確認ウェブサイトで24.9ppの精度向上を実現し、すべてのスキルファミリーで利益を得ている。 しかし、これらの軌道は短水平相互作用を教えるが、これは直接的にフルタスクの成功に繋がるものではない。 この結果に基づいてMiniWebAgentという,トレーニング済みのエグゼキュータとプランナをペアにすることで,完全なタスクを学習したスキルレベルステップに分解します。 このアプローチは、WebArena-Liteで9.3pp、Online-Mind2Webで16.1pp、WebVoyagerで20.0pp、未確認のMiniWebサイトと外部ベンチマークで19.4ppポイントのタスク成功を改善する。 我々は、コンパクトなブラウザエージェントに簡単なレシピを提供し、再利用可能なスキルを直接実践し、不慣れなタスクを解決するためにそれらを構成する。

関連論文リスト

• WebXSkill: Skill Learning for Autonomous Web Agents [104.76374637691212]
  WebXSkillは、コードベースのスキルと自然言語ガイダンスのギャップを埋めるフレームワークである。 WebArenaとWebVoyagerでは、WebXSkillはタスク成功率をベースラインで最大9.8と12.9ポイント改善する。
  論文  参考訳（メタデータ） (2026-04-14T21:48:15Z)
• MolmoWeb: Open Visual Web Agent and Open Data for the Open Web [60.29597961827816]
  MolmoWebMixはブラウザのタスクとWeb-GUIの知覚データを組み合わせたものだ。 MolmoWeb-8Bは、完全にオープンなマルチモーダルWebエージェントのファミリーである。 我々は、Webエージェントのオープンな研究を可能にするため、モデルチェックポイント、トレーニングデータ、コード、統一された評価ハーネスをリリースする。
  論文  参考訳（メタデータ） (2026-04-09T17:54:02Z)
• WebGym: Scaling Training Environments for Visual Web Agents with Realistic Tasks [35.99528846296261]
  WebGymは、現実的なビジュアルWebエージェントをトレーニングするための、これまでで最大のオープンソース環境である。 WebGymには30万近いタスクがあり、さまざまな現実世界のウェブサイトでルーブリックベースの評価が行われている。
  論文  参考訳（メタデータ） (2026-01-05T09:35:11Z)
• InSTA: Towards Internet-Scale Training For Agents [49.763517682308766]
  我々は、人間のアノテーションを使わずに、インターネット規模のエージェントの訓練を容易にするパイプラインを開発した。 Qwen 3 1.7Bをベースとしたエージェントをトレーニングし、WebエージェントとしてフロンティアLLMと競合すると同時に、より小型で高速なエージェントをトレーニングする。 我々のトップエージェントは56.9%の成功率に達し、データ収集ポリシーのQwen 3B、Llama 4 Maverickの235倍、Gemini 2.5 Flashのパフォーマンスの94.7%を上回りました。
  論文  参考訳（メタデータ） (2025-02-10T18:54:05Z)
• CowPilot: A Framework for Autonomous and Human-Agent Collaborative Web Navigation [70.3224918173672]
  CowPilotは、自律的および人間とエージェントの協調的なWebナビゲーションをサポートするフレームワークである。 エージェントが次のステップを提案することによって、人間が実行しなければならないステップの数を減らすと同時に、ユーザが一時停止、拒否、代替アクションを取ることができる。 CowPilotは、Webサイト間でのデータ収集とエージェント評価のための便利なツールとして機能する。
  論文  参考訳（メタデータ） (2025-01-28T00:56:53Z)
• A Real-World WebAgent with Planning, Long Context Understanding, and Program Synthesis [69.15016747150868]
  本稿では,WebAgentについて紹介する。WebAgentは自己経験から学習し,実際のWebサイト上でタスクを完了させるエージェントである。 WebAgentは、指示を標準のサブ命令に分解し、長いHTMLドキュメントをタスク関連スニペットに要約し、ウェブサイトで作用する計画である。 我々は、我々のモジュラーレシピが実際のWebサイトの成功を50%以上改善し、HTML-T5が様々なHTML理解タスクを解決する最良のモデルであることを実証的に実証した。
  論文  参考訳（メタデータ） (2023-07-24T14:56:30Z)

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。