1
00:00:00,320 --> 00:00:06,040
设想一个资料表单，有文本框、保存按钮和正常的存储更新。

2
00:00:06,780 --> 00:00:12,060
但确认消息始终不出现，用户无法判断操作是否完成。

3
00:00:12,700 --> 00:00:17,880
修复可能补上消息，却意外破坏原本正常的保存行为。

4
00:00:18,560 --> 00:00:22,780
如果不再次操作控件，更好看的截图无法揭示这种退化。

5
00:00:23,640 --> 00:00:28,600
这是原创示意，不含真实用户数据或测量的修复结果。

6
00:00:29,240 --> 00:00:35,940
它引出核心问题：什么证据能让网页代码修复被保留下来？

7
00:00:36,560 --> 00:00:43,620
WebWorld 把浏览器视为用户操作下执行 HTML 行为的模拟器。

8
00:00:44,500 --> 00:00:50,180
运行时渲染页面、执行交互探测，并记录发生的情况。

9
00:00:51,000 --> 00:00:58,000
证据包括截图、文档状态、控制台信息、探测结果和操作轨迹。

10
00:00:59,020 --> 00:01:05,640
视觉语言模型读取观察结果并提出批评，不自行认证修复。

11
00:01:06,540 --> 00:01:11,340
规划器把批评转成候选编辑之后浏览器可检查的条件。

12
00:01:12,220 --> 00:01:18,800
这里的世界模型指网页执行平台，不是物理世界预测模型。

13
00:01:19,380 --> 00:01:25,780
交互契约规定改进目标、检查方式，以及必须保留的行为。

14
00:01:26,580 --> 00:01:31,860
在表单示例中，目标是点击保存之后出现可见确认。

15
00:01:32,520 --> 00:01:37,920
回放规定稳定控件、输入操作，以及之后检查的状态。

16
00:01:38,740 --> 00:01:45,680
保留集合携带已验证条件，避免修复目标时抹去之前进展。

17
00:01:46,560 --> 00:01:51,180
对于局部问题，契约也限制编辑影响的区域。

18
00:01:51,800 --> 00:01:58,000
这些是针对指定交互的有限断言，不保证所有操作都正常。

19
00:01:58,827 --> 00:02:03,707
类型化修复技能在契约影响范围内生成受约束的补丁。

20
00:02:04,627 --> 00:02:10,707
候选过滤器可提前丢弃无关、重复或有保留风险的编辑。

21
00:02:11,687 --> 00:02:15,227
这缩小了搜索范围，但不能证明页面已经正常工作。

22
00:02:16,087 --> 00:02:21,247
候选需再次执行，证据绑定到契约和记录的证明级别。

23
00:02:22,147 --> 00:02:28,347
交互表单回放检查新确认，也重新检查原有保存行为。

24
00:02:29,107 --> 00:02:34,867
任一检查失败，示例修复就应保持拒绝状态，而非新基线。

25
00:02:35,560 --> 00:02:43,060
WebWorld 区分安全运行步骤和可导出训练的认证质量步骤。

26
00:02:44,040 --> 00:02:49,360
探测、局部修复或被拒编辑仍可帮助决定下一次尝试。

27
00:02:50,080 --> 00:02:54,640
但智能体进行过操作，并不意味着这些步骤能进入监督训练池。

28
00:02:55,620 --> 00:03:02,480
被接纳的转移携带产物、解决的失败，以及支持接受的证据。

29
00:03:03,700 --> 00:03:10,080
已验证行为进入后续保留检查，形成所提出的质量棘轮。

30
00:03:11,020 --> 00:03:15,140
因此学习样本描述状态之间的验证进展，

31
00:03:15,620 --> 00:03:18,200
而不只是偏好的最终截图。

32
00:03:18,840 --> 00:03:22,140
实验比较原始 HTML 监督，

33
00:03:22,200 --> 00:03:27,020
与三万二千八百条接纳转移中选择的监督。

34
00:03:27,920 --> 00:03:34,600
在每种模型规模内，骨干系列、提示、优化器和评估运行器固定。

35
00:03:35,440 --> 00:03:39,900
因此，监督来源是匹配训练比较中的主要差别。

36
00:03:41,220 --> 00:03:47,560
HTMLBench-400 是主要评估，MiniAppBench 验证集用于研究迁移。

37
00:03:48,640 --> 00:03:53,760
构建流程报告与基准提示和确定性测试用例分离。

38
00:03:54,740 --> 00:04:01,240
下一图比较两个二百七十亿参数行，不比较无关前沿模型配置。

39
00:04:01,780 --> 00:04:09,040
原始监督的二百七十亿参数行报告 HTMLBench 综合分四十七点四。

40
00:04:09,680 --> 00:04:14,740
相同规模的 WebWorld 行在该基准上报告五十二点七。

41
00:04:15,340 --> 00:04:19,520
在这一匹配训练设置中，综合分提高五点三分。

42
00:04:20,280 --> 00:04:24,880
综合分与单独报告的测试用例通过百分比不同。

43
00:04:25,520 --> 00:04:31,280
同规模模型对的 MiniAppBench 验证平均分提高十四点九分。

44
00:04:32,120 --> 00:04:35,680
这些结果对应报告的交互 HTML 基准，

45
00:04:36,060 --> 00:04:38,660
不保证每个网站都正确。

46
00:04:39,240 --> 00:04:45,800
独立九十亿参数消融保留批评与修复路由，放宽认证门控。

47
00:04:46,660 --> 00:04:52,400
没有证书时，HTMLBench 相对 Raw 仅提高零点四分。

48
00:04:53,420 --> 00:04:58,680
完整接纳规则在同规模模型上相对 Raw 提高四点八分。

49
00:04:59,720 --> 00:05:04,480
因此实验支持的不只是让模型批评自身页面的价值。

50
00:05:05,100 --> 00:05:10,800
它检验循环选择的训练转移是否由指定验证规则支持。

51
00:05:11,760 --> 00:05:17,440
效应大小属于这一匹配消融，不应推广到所有浏览器检查系统。

52
00:05:18,087 --> 00:05:24,847
回到原创表单：确认消息重要，原本正常的保存操作也重要。

53
00:05:25,527 --> 00:05:31,407
候选变化应描述为具体目标，再在相关交互下测试。

54
00:05:32,107 --> 00:05:38,907
正常部分成为明确保留要求，不再是漂亮截图背后的隐含假设。

55
00:05:39,867 --> 00:05:45,147
WebWorld 把这种区分加入修复循环和训练数据接纳规则。

56
00:05:45,867 --> 00:05:52,327
提出的改进是假设，记录的契约证据决定是否保留它。

57
00:05:53,407 --> 00:06:00,147
值得记住的是：自我改进需要一种经得起执行的进展定义。