AutoWebGLM测评：2024年最佳AI生成工具推荐

结论写在前面

大语言模型确实让不少agent任务有了质的飞跃，尤其是Web导航这类场景。但坦白讲，大部分现有agent在真实网页上的表现，离“好用”还差得很远。这个问题的核心矛盾，其实集中在三个地方：第一，网页上能做的操作确实五花八门；第二，那些动辄几万token的HTML文本，模型实在“消化”不了；第三，互联网的开放本性，让决策逻辑变得异常复杂。

针对这些痛点，研究团队拿出了AUTOWEBGLM——一个基于ChatGLM3-6B的agent方案，在多个自主网页导航的基准测试里，表现相当稳健。关键思路是，不跟模型的短板硬碰硬，而是通过有效控制HTML文本长度、妥善处理网络的开放域特性，把复杂的网页任务“简化”到模型能驾驭的程度。训练策略上，课程学习、强化学习、拒绝采样微调，一环扣一环，逐步提升模型对网页理解和浏览器操作的学习能力。此外，论文还配套构建了一个独特的双语网页浏览基准，为后续研究打下了不错的基础。相关代码、模型和数据会在 https://github.com/THUDM/AutoWebGLM 公开。

论文的简单介绍

2.1 论文的背景

把自主的数字agent当成得力助手，这个想法确实很吸引人。借着大语言模型强大的理解和响应能力，很多以前只能想想的场景，现在都有了落地的可能。比如，基于LLM的agent可以一边吃早餐，一边帮你把网上的新闻简报整理好。把LLM集成到日常任务里，意味着人机交互方式的深刻转变，既能提升效率，也在重新定义机器辅助的边界。

不过，理想很丰满，现实却有不少“硬骨头”。

首先是缺乏统一的操作空间：很难找到一个通用、方便的接口，能覆盖各种网站上浏览器所需的全部必要操作。其次是网页简化方法的缺失：网页的多样性、复杂性，加上动不动就长篇大论的措辞，让LLM理解内容和执行正确操作变得相当困难。内容丰富的网页，token长度常常超过3万。最后是高质量训练轨迹的匮乏：用于训练强大网络agent的轨迹数据太少，现有模型明显缺乏网络任务上的正确推理和自我检查能力，一陷入错误循环就很难自拔。

为了解决这些问题，论文提出了AUTOWEBGLM。它不同于前身WebGLM（侧重检索增强的网络问答），而是专注于像人类一样，通过导航和操作真实浏览器，自主完成复杂的现实世界任务。研究团队设计了一套高效的数据策略，来快速构建庞大且可靠的训练数据集——要知道，即便最先进的模型，也难以可靠地完成数据标注任务。在此基础上，结合监督学习和强化学习方法，在收集的网络agent数据集上训练AUTOWEBGLM，让它在通用网页浏览任务上取得了性能优势。更进一步，采用拒绝采样微调（RFT）进行终身学习，使agent能在特定的Web环境中“学成专家”。

2.2 论文的方法

2.2.1 问题设置

论文把Web浏览任务看作一个序列决策过程。状态S包含当前页面的状态，比如HTML、URL和窗口位置。动作集A则涵盖了所有潜在的浏览操作，包括点击、输入、滚动等。状态的转移由当前网页状态和agent输出的动作共同决定。当agent输出“完成”或达到最大交互次数时，任务结束。

在决策过程中，agent会结合先前历史、最近动作和当前状态来更新信息。策略，就是agent基于当前状态和历史来选择动作。从初始状态开始，通过策略和转移函数迭代推进，直到输出“finish”或达到最大步数。

2.2.2 AUTOWEBGLM框架

如图3所示，论文通过HTML简化和OCR模块处理信息——拿到HTML和网页截图后，先得到简化的HTML表示，再标记出可操作元素，同时用OCR模块在图像解析过程中标注文本元素。agent将这份表示与其他观测数据结合起来，启动动作预测。输出动作后，由自动化Web程序来执行，这个循环一直持续到任务结束。AUTOWEBGLM通过把这些组件融进一个统一框架，实实在在地提升了交互能力和网页导航精度。

构建一个全面、精确的观测和动作空间，是搭建稳健网页浏览框架的基础。这些空间能把各种数据源统一成标准格式。

2.2.2.1 观测空间

观测空间应该尽可能接近浏览器图形界面，这样才能最大化agent的能力上限。论文确定了四个关键指标：任务描述、简化后的HTML、当前位置，以及过去操作记录。

HTML：网页的HTML既庞大又复杂，输入模型前必须先简化。简化的目标是提取关键信息，同时去掉可能干扰模型的冗余元素。但要保留基本的HTML结构和重要内容，让模型能理解和利用这些信息。附录A里的算法能高效地把元素树转换成简洁的表示。

当前位置：实验发现，当提供窗口位置和页面大小时，agent的表现会更好。页面滚动位置帮助agent理解当前可见区域的内容，页面高度则帮它把握整个页面的规模，相当于给模型提供了空间上下文。

先前的动作：让agent了解过去操作的最直接办法，就是显式地把历史操作提供给它。这能防止agent陷入反复执行相同失败操作的无效循环。

2.2.2.2 动作空间

通过在实际任务执行中大量总结经验，论文定义了一个完整且自洽的动作空间（如表1所示），以函数调用的形式供语言模型在Web浏览领域执行。

2.2.3 数据准备

现实世界里高质量、复杂的Web浏览数据很稀缺，论文的目标就是自己动手创建一个训练数据集。但挑战一个接一个：

• 任务收集：要获取跨不同网站的各种真实用户任务查询，本身就是个大难题。
• 隐私和安全：这些限制阻碍了直接获取用户的浏览器操作序列。同时，排除与任务无关的冗余或错误操作、确认用户任务是否完成，也相当困难。
• 客观注释：为每个操作步骤收集用户目标，这种劳动密集型的方式在现实中很难落地。
• 模型限制：现有模型处理不了跨不同网站的复杂用户查询，想靠纯自动化方法准确收集浏览轨迹，在复杂的应用场景里几乎行不通。

如图4所示，论文提出了一种人机混合的数据构建方法，把数据分为两种类型来应对这些挑战。

2.2.3.1 Web识别和简单任务操作构建

在Web浏览任务中，高效准确地理解和操控网页，是模型开发的关键挑战。

Web识别：目标包括理解特定的HTML格式、识别不同类型的Web元素（文本框、按钮、图像等），以及理解这些元素在用户交互中的作用。具体做法是：先从Similarweb上列出的中英文主流网站收集URL，然后用HTML解析器识别每个网页中的可操作组件，记录位置和大小等信息。接着，通过重排和简化组件树生成简化后的HTML。论文设计了一些任务，比如网站和组件功能描述，来帮助模型识别网页结构和交互组件的功能。对每个任务，开发一系列自然语言问题作为源字段，再用GPT-3.5-Turbo生成多种表述来丰富问题的形式。目标方面，同样用GPT-3.5-Turbo生成响应，在提示中提供简化后的HTML和问题，并限制响应长度。

简单任务操作：这个数据集的目标很明确——训练模型执行单步Web操作，比如点击链接、填写表单或导航到特定部分。构建方式和Web识别类似，收集各种网站，然后按操作类型分割数据，确保覆盖所有基本操作。关键点是，这里不用模型生成，而是用规则来构建。虽然尝试过用GPT-3.5-Turbo生成任务和操作，并用Selenium验证，但模型精度不够，操作是否正确也很难判断。于是换了个思路：识别网页中各种可操作元素，把它们组装成Web操作，再让GPT-3.5-Turbo生成相应的任务和操作意图。对滚动、跳转这类操作，直接用模板生成；对点击、输入这类灵活操作，则借助GPT-3.5-Turbo完成。这样既保证了指令的可执行性，也保证了操作任务的丰富性。

2.2.3.2 复杂任务操作构建

为了让模型具备在Web浏览场景中制定计划和推理的能力，论文开发了一个面向复杂Web任务的数据集。每个样本包含一个真实的复杂Web浏览任务、完成该任务的操作序列，以及每一步的意图。首先，参考EvolInstruct的提示技术为每个网站设计了50个复杂任务，从中手工挑选出大约20个可行的任务进行标注。由于任务高度复杂，即便最先进的LLM也难以令人满意地完成任务，因此论文利用手工注释，通过浏览器插件记录网站任务期间的操作。

为了改进CoT（思维链）构建过程，论文用GPT-4作为操作意图预测器。第一次尝试发现生成的操作链接较弱，且API成本很高。后来改用全局思维链提示方法，把所有操作和关键HTML段落都输入一个轨迹，然后让GPT-4输出每一步的意图。这样显著提高了准确性和连贯性，形成了高度相关、一致的思维链。构建完成后，将数据与Mind2Web和MiniWob++的训练集合并，形成最终的训练数据集。各分割的比例如图5所示。

2.2.3.3 AutoWebBench 构建

论文把收集到的复杂任务操作数据集分出一部分用于评估，这就是AutoWebBench。它被划分为两个分割：领域内和领域外。领域内数据集来自训练集里同一网站的数据，用来衡量模型在熟悉条件下的表现；领域外数据集则来自训练集从未包含的网站，专门用来测试模型的泛化能力。每个分割各选50个浏览轨迹作为测试数据，这些轨迹经过人工仔细检查和过滤，保证了评估基准的可靠性。评估方法参考了Mind2Web，全面评估操作中涉及的每一步，从而衡量模型操作的步骤准确率和总体准确率。详细结果见表2。

2.2.4 训练

论文通过图6所示的三个步骤训练模型。

2.2.4.1 第1步：课程学习

第一步是监督微调（SFT），目的是增强模型对网页的理解，以及作为agent在环境中执行操作的能力。值得注意的是，这里采用了课程学习（CL），模拟人类的学习过程——从简单样本开始，逐步过渡到复杂样本。已有工作证明，这能大幅提升模型能力。

首先让模型学会阅读和操作网页。初始阶段，混合构建的数据，让模型具备两样东西：一是理解网页结构和各种Web组件功能，二是在当前网页上执行预定义操作，从而实现简单的用户指令。接下来，让模型学会规划和推理。在这个阶段，继续使用构建的数据训练，使模型能够将任务分解为子任务，并根据当前网页和先前操作序列执行后续步骤。经过训练，模型MSFT就获得了完成Web浏览任务的基本能力，可以根据用户指令独立执行操作。

2.2.4.2 第2步：强化学习

经过SFT训练后，MSFT已经展现了一些操作浏览器和推理任务的能力。但SFT有个特点：模型会尝试模仿推理过程和操作，有时会忽略网页状态和前一操作序列，导致幻觉。为此，论文提出了自采样强化学习来缓解这些操作幻觉。

具体做法是，用MSFT在训练集中的复杂任务操作样本上进行n=20次采样，把采样的输出和标准答案结合起来，构建包含正负样本对的对比数据。然后按以下标准保留样本：从所有20次采样中，选择模型在1到19次中完成任务的数据。如果MSFT每次都做对，说明缺乏训练价值，提供不了实际负例；如果每次都做错，则怀疑数据有问题，排除掉。同时保留不同的错误操作并删除重复项。构建好对比数据后，采用DPO训练方法，让MSFT从自己的错误中学习。训练过程中发现直接使用DPO损失会导致不稳定，于是加入SFT损失来稳定强化学习过程，并增加训练步数，确保不会丧失原模型的语言和agent能力，最终得到更稳健的模型MDPO。

2.2.4.3 第3步: 拒绝采样微调

RFT步骤的目标是针对特定领域的网页环境进行优化。通过从现有模型大量采样，再根据奖励信号选择准确的轨迹——奖励信号可以由环境本身提供，也可以通过预先设计的奖励模型提供。由于真实网页环境存在网络策略约束，论文在MiniWob++和WebArena提供的沙箱环境中实验。

对MiniWob++，利用其中的查询生成器为每个任务自动生成多个用户查询，根据任务难度确定生成数量。然后让MDPO尝试解决这些查询，如果轨迹能完成任务（根据MiniWob++环境的判断），就视为正轨迹。对WebArena，为了防止与测试集重叠，手动构建多个不同的用户查询，每个样本让MDPO采样64次。同样，如果模型至少一次完成任务（根据手写规则判断），就把成功的轨迹视为正轨迹。最终，从MiniWob++和WebArena各构建了一个成功数据集，分别包含约15k条轨迹（66k步）和240条轨迹（2k步），用于AUTOWEBGLM在这两个任务上的微调。

2.3 论文的效果

论文建立了一个双语（中英文）基准AutoWebBench，评估了公开可用的agent能力，并在多个基准上进行了广泛实验，对比AUTOWEBGLM在英文和中文网站导航任务中的表现。

2.3.1 主要结果

除了AutoWebBench，论文还测试了AUTOWEBGLM在Mind2Web、MiniWoB++和WebArena这三个已建立的Web导航基准上的表现。

AutoWebBench：测试集分为四个分割：中文、英文、领域内和领域外，采用步骤成功率（SSR）作为评估指标。所有模型都使用附录E描述的上下文学习提示进行评估。从表2的结果可以看到，AUTOWEBGLM在多任务训练之后，在预测一般用户操作模式方面表现突出，与用户操作保持了很好的一致性。相比之下，其他基线在缺乏足够训练的情况下，很难准确学习基于网页内容和任务描述、在不同真实网站上的用户操作。

Mind2Web：沿用Mind2Web的设置，以SSR作为主要评估指标，利用Mind2Web提供的MindAct框架来评估模型性能。基线结果来自参考文献。结果如表3所示。

MiniWoB++ & WebArena：对于MiniWob++，遵循WebAgent的实验设置，通过在每个任务上运行100个评估回合来测试56个任务。对于WebArena，将论文的HTML解析器模块和动作执行模块集成到环境中，使其兼容。结果如表7所示。WebArena的基线结果来自参考文献，LLaMA2的结果则通过在MinWob++数据集上训练和评估获得。

2.3.2 消融研究

为了评估不同阶段数据和训练策略的贡献，论文在表4中进行了全面的消融研究。

训练数据消融：只训练包含原始训练集、同时包含简单和复杂任务数据的模型，来定性评估不同数据集的影响。结果很明确：复杂任务数据集显著提升了模型性能。推测原因是复杂数据更贴近现实场景，从根本上改变了模型的表现。单独使用简单任务数据集训练，改善幅度很小；但与复杂任务数据集联合训练后，提升非常显著。有意思的是，只用复杂任务数据集训练会导致基本操作错误，而简单任务数据集能有效缓解这个问题。

训练策略消融：比较了SFT、DPO和RFT增强型模型的结果，发现DPO训练相比SFT，能帮助模型从自身错误中学习，进一步提升性能。而RFT让模型能在不同领域进行自举式增强——熟能生巧，每个领域内都有改进。

2.3.3 案例研究和错误分析

为了评估模型的有效性，论文进行了一系列案例研究，涵盖日常使用、休闲娱乐和学术研究等典型Web需求。系统在大多数场景下都取得了令人满意的结果。

当然，没有完美的系统。论文发现在任务执行过程中偶尔会出现四类错误：幻觉、图形识别不佳、对任务背景的误解，以及弹窗中断。表5总结了这些错误在错误分析中的占比。虽然相对较少，但正视这些短板，正是模型不断迭代和提升的关键。