WebAnything: From the Wild Web to Scalable Agent Environments

Tianci Xie, Zikun Cai, Chaoyun Zhang, Pinxue Guo, Bingxuan Li, Rui Zheng et al.

2026-10-30▲ 11arXiv 2610.37786v1 Hugging Face 代码

本页由 AI 根据论文全文生成（deepseek-flash），可能有误，请以原文为准。

一句话

WebAnything 使用 Explorer–Builder 和独立验证器从真实 URL 自动重建基于来源的可执行 Web 环境，产出 244 个工件和 12,984 个已接受任务，并在 SFT 后提升智能体基准表现。

要解决的问题

Web 智能体需要可执行、可重置的网站环境，以进行可复现的训练和评估；但人工辅助镜像需要逐站点工程，生成式构建又可能偏离指定的真实网站。捕获与回放能保留观测，但交互覆盖受限于已捕获内容和回放能力。论文指出“来源落地差距”（Source-Grounding Gap）：不可访问的后端与网站内部结构使结构、资源和行为难以重建；以及“验证与反馈差距”（Verification and Feedback Gap）：构建器自检可能漏掉与来源不一致的缺陷，而差异也可能意味着实现有误或观测不足。

方法

WebAnything 接收真实 URL、允许的访问范围和构建预算，并力求在站点契约下生成一个保留已观测呈现、交互和状态变化的本地环境。Explorer–Builder 收集浏览器可观测的页面结构与外观、资源与依赖，以及动作前后观测，然后实现可执行的本地路由和状态转换。独立验证器在独立上下文中依据来源证据和站点契约检查冻结候选；有证据支持的实现错误触发本地修复，而未解决的证据缺口触发有针对性的来源重捕获。更新后的候选在发布前会被冻结并重新验证。发布的环境打包本地实现、资源、初始数据、运行时配置和重置接口，并提供共享状态与任务评估器，以支持可重复交互和轨迹收集。

实验结果

WebAnything 在 14 个应用领域和 53 个类别中构建了包含 244 个网站工件的资源池，并支持 12,984 个已执行且已接受的任务。 §Abstract
在五个匹配的 WebHarbor 站点和 14 个历史状态上，WebAnything 在三项保真度指标上取得更高的汇总分数，并在盲审中记录 12 胜、2 平、无负。 §Abstract
在 5,856 条交互轨迹上微调 Qwen3.5-9B，使 REAL 成功率从 24.2 提升到 34.1，Odysseys-Easy Rubric Avg 从 19.71 提升到 25.96，Task Avg 从 18.86 提升到 25.18，WebArena-Verified Overall 从 16.41 提升到 29.74。 §4.4
在五站点 VeriEnv 对比中，选定的 WebAnything 池工件达到 22/22 能力覆盖、29/31 已执行测试成功和 29/33 全部测试通过，而 VeriEnv 为 20/22、21/28 和 21/33。 §A.7
在 219 个构建器通过配对中，独立验证记录 56 个通过、139 个失败和 24 个来源受阻，其中 39 个有证据支持的差异跨越 22 个站点。 §B.7
对于历史 85 站点子集，报告记录 59 个通过站点、15 个来源受阻站点、6 个失败站点和 5 个缺失报告的站点；可恢复的可量化模型成本总计 $220.62，每站点平均成本约 $2.63，中位数约 $1.60。 §A.1

局限

未计算统一的构建成功率，因为无论是 244 站点池还是历史 85 站点子集，都没有在统一接受标准下形成完整的尝试队列（§A.1）。
记录的模型成本仅为下界，且不包含未定价调用、浏览器执行和其他系统开销；这些成本未外推到 244 个站点，也不应被解释为受控的 Verifier 消融（§A.1）。
在五站点 WebHarbor 子集中，WebHarbor 的能力覆盖率和交互测试完成率高于 WebAnything（§A.7）。
交互恢复是适配器级别的，并不意味着原生重置接口；另有两项计划中的 VeriEnv 持久性检查未执行；Text F1 还使用禁用 JavaScript 的回放派生源文本，与启用 JavaScript 的镜像捕获相比，这可能影响分数（§A.7、§A.3）。

要点

来源证据定义为页面结构与外观、资源与依赖，以及动作前后观测。 §3.1
Explorer–Builder 在审计运行中从真实 URL 自动重建可执行环境，无需逐站点人工实现或调试。 §1
独立验证在独立上下文中检查冻结候选，并将差异导向本地修复或有针对性的重捕获。 §1
发布的环境包括本地实现、资源、初始数据、运行时配置、重置接口、共享状态和任务评估器。 §3.4
任务通过固定的基于浏览器的计算机使用智能体测试框架执行，评估器检查最终答案或终端环境状态。 §3.4
已接受轨迹被转换为步骤级训练示例，任务生成、接受、收集和导出分别计数。 §3.4
历史 85 站点子集在初始设置和授权后，没有记录逐站点人工实现、调试或修复。 §A.1
盲审包括全部五个站点和 14 个页面状态，采用随机 A/B 顺序和三名标注者，且不基于自动分数进行抽样。 §D

思维导图

mindmap
  root["WebAnything"]
    ["问题"]
      ["可执行可重置环境"]
      ["来源落地差距"]
      ["验证与反馈差距"]
    ["方法"]
      ["Explorer–Builder"]
        ["页面结构与资源"]
        ["动作前后观测"]
        ["可执行本地路由"]
      ["独立验证器"]
        ["冻结候选检查"]
        ["本地修复"]
        ["定向重捕获"]
      ["环境打包"]
        ["重置接口"]
        ["共享状态"]
        ["任务评估器"]
    ["规模"]
      ["244 个工件"]
      ["14 个领域"]
      ["53 个类别"]
      ["12,984 个已接受任务"]
    ["评估"]
      ["保真度与盲审"]
      ["交互有效性"]
      ["下游 SFT"]
      ["独立验证"]
    ["局限"]
      ["无统一成功率"]
      ["成本仅为下界"]
      ["适配器级恢复"]
      ["存档 Text F1 不对称"]