WebHarbor：为GUI智能体搭建可复现的真实网站环境

导语

让GUI智能体真正完成网页任务，难点不只是看懂页面，还包括点击、填写、跳转、登录，以及让操作最终改变网站状态。直接使用真实网站进行评测，常常会受到页面更新、反爬限制和账号流程缺失的影响；而许多用于训练的合成网站虽然稳定，却在视觉细节和功能深度上不够接近现实。论文提出的WebHarbor，试图在两者之间搭建一个可重复使用的“港口”。

核心要点

• 153个可执行环境：每个网站环境都以Docker方式交付，在可控条件下重建真实网络服务的界面、内容和交互流程。素材显示，单个环境平均包含37.3个页面和约1319.9张图片，强调了视觉和内容层面的还原度。
• 任务驱动的协作开发：环境不是一次性静态生成，而是随着任务范围扩大持续演进。编码智能体负责实现网站变化，人工贡献者则检查视觉一致性、功能正确性和任务是否成立。项目在五个月内由来自26个机构的57名贡献者共同完成。
• 覆盖复杂工作流：3518项任务不仅要求回答页面上的问题，也要求完成多步操作和登录后的流程，例如账户操作、预订及交易。评测器会同时检查最终答案与网站状态变化，并支持快速重置，适合强化学习反复采样。
• 初步训练结果：研究者仅使用WebHarbor进行强化学习训练，得到的WebHarbor-4B在WebVoyager和Online-Mind2Web上的平均成绩为75.8，高于文中对比的OpenWebRL-4B，也明显高于共享的监督微调检查点。WebVoyager的15个网站均未被用于训练，实验因此包含一定的未见网站泛化检验。

意义与影响

WebHarbor的价值不只是增加了一套数据集，而是把GUI智能体研究中的“环境”变成了可部署、可重置、可审计的基础设施。对评测而言，固定版本的网站能降低在线服务变动和访问受限带来的噪声；对训练而言，状态变化和快速重置让智能体可以更低成本地反复尝试复杂操作。更重要的是，登录后任务将评测从“找到信息”推进到“完成事务”，使智能体的成功标准更接近真实使用场景。

当然，Docker化复刻并不等同于真实互联网，环境覆盖范围、网站行为与现实服务之间仍需要持续比较。WebHarbor的开放代码、任务、模型和镜像，为后续研究者复现实验、扩展功能和检验迁移效果提供了入口。它所展示的方向是：高质量GUI智能体的发展，既需要更强的模型，也需要足够真实、稳定且可验证的交互世界。

来源：Hugging Face Daily Papers