Un nuevo estudio publicado en arXiv presenta WebAnything, un marco completamente automatizado diseñado para abordar la necesidad crítica de entornos de sitios web diversos, ejecutables y reinicializables para el entrenamiento y la evaluación de agentes web. Mientras que los métodos existentes a menudo dependen de espejos asistidos por humanos que requieren mucho trabajo o de una construcción generativa que puede desviarse de los sitios reales, WebAnything reconstruye entornos basados en fuentes directamente desde URLs reales sin requerir implementación manual ni reparación después de la configuración inicial.
El marco opera mediante un sistema acoplado de Explorador-Constructor que recopila estructuras observables por el navegador, recursos y resultados de interacción. Un verificador independiente luego comprueba los candidatos congelados contra la evidencia de la fuente y los contratos del sitio. Este proceso de verificación guía al sistema para realizar reparaciones locales en errores de implementación o activar una recaptura dirigida de datos de origen cuando la evidencia es insuficiente. Este ciclo asegura que los entornos reconstruidos mantengan una alta fidelidad con los sitios web originales mientras permanecen reutilizables para pruebas repetidas.
En términos de escala, los investigadores han construido 244 artefactos de sitios web que abarcan 14 dominios de aplicaciones y 53 categorías. Estos entornos soportan un total de 12.984 tareas ejecutadas y aceptadas. Al compararse con WebHarbor, una línea base asistida por humanos, WebAnything logró puntuaciones agregadas más altas en tres métricas de fidelidad. En una auditoría a ciegas que involucró cinco sitios coincidentes y 14 estados históricos, el marco automatizado obtuvo 12 victorias y dos empates sin derrotas.
La utilidad de estos entornos se demostró aún más mediante el entrenamiento de modelos aguas abajo. El ajuste fino del modelo Qwen3.5-9B en 5.856 trayectorias de interacción recopiladas de los entornos de WebAnything resultó en ganancias significativas de rendimiento. El modelo experimentó una mejora de 9,9 puntos porcentuales en las tasas de éxito REAL, aumentos de 6,25 y 6,32 puntos porcentuales en Odysseys-Easy Rubric Avg y Task Avg respectivamente, y un impulso de 13,33 puntos porcentuales en el éxito general verificado de WebArena bajo un arnés fijo. El código del proyecto está disponible en GitHub.
Fuentes: arXiv cs.AI.