WEBVTT

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。