AutoSurfer lär AI-agenter navigera webben genom systematisk utforskning
Forskare har utvecklat AutoSurfer, ett system som tränar AI-agenter att använda webbsidor genom att systematiskt utforska hela sajter istället för att bara börja från startsidan. Metoden förbättrade prestandan med över 20% jämfört med tidigare metoder när den testades på WebArena-benchmarket, vilket visar att mer omfattande träningsdata ger bättre AI-agenter för webautomatisering.
Djupdykning
AutoSurfer tacklar ett av AI:s mest frustrerande problem: att lära webbagenter att navigera webbplatser utan att tappa bort sig som en förvirrad turist. Istället för att bara hoppa runt slumpmässigt eller fastna på förstasidor, använder systemet en metodisk "breadth-first" strategi - tänk dig en person som systematiskt utforskar varje rum i ett hus innan den går vidare till nästa våning. Det smarta är att systemet skapar uppgifter baserat på vad det faktiskt kan göra på webbplatsen, inte bara fantiserar ihop saker som kanske inte ens är möjliga. Resultaten visar 24% framgång jämfört med konkurrenternas 19%, vilket låter modest men representerar faktiskt en betydande förbättring i en värld där webbagenter fortfarande kämpar med grundläggande navigation. Den verkliga genomslaget kommer när denna typ av systematisk utforskning börjar tillämpas på större språkmodeller - då kan vi se webbagenter som faktiskt förstår hur moderna webbplatser fungerar istället för att bara gissa sig fram genom formulär och menyer.