艾伦人工智能研究所（AI2）近日发布了突破性的全开源网络代理 MolmoWeb。与传统依赖网页底层代码（DOM）的代理不同，MolmoWeb 仅通过读取屏幕截图进行决策，标志着“视觉驱动”网络导航技术的重大飞跃。

核心技术:像人类一样“看”网页

MolmoWeb 的运作逻辑非常直观:它捕获当前浏览器窗口的截图，通过视觉分析决定下一步操作（如点击、滚动、翻页），然后执行并重复。这种“所见即所得”的模式使其比传统代理更具鲁棒性，因为网页的视觉布局通常比底层代码更稳定，且其决策过程对人类用户而言完全透明、可解释。

性能飞跃:小模型击败巨头

尽管 MolmoWeb 的参数规模仅为4B 和8B，但在性能表现上却展现出“以小博大”的实力:

• 榜单领跑: 在 WebVoyager 测试中，8B 版本的得分高达 78.2%，不仅在开源模型中名列前茅，更逼近了 OpenAI 的专有模型 o3（79.3%）。

• 潜力巨大: 研究发现，通过多次运行任务并筛选最优结果，其成功率可进一步跃升至 94.7%。

• 定位精准: 在 UI 元素定位基准测试中，它甚至超越了 Anthropic 的 Claude3.7。

数据支撑:史上最大的开放数据集

AI2此次不仅开源了模型权重，还贡献了名为 MolmoWebMix 的庞大数据集。该数据集包含:

• 由人类志愿者完成的 3.6万次真实浏览任务。

• 超过 220万个 屏幕截图-问答对。

• 通过 GPT-4o 验证的自动化合成数据。实验证明，合成数据在引导智能体寻找“最优路径”方面甚至优于人类轨迹。

开源精神与未来挑战

目前，MolmoWeb 已在 Hugging Face 和 GitHub 上通过 Apache2.0协议完全开放。尽管在处理复杂指令、登录验证及法律合规（如服务条款）方面仍面临挑战，但 AI2坚信，只有通过完全的透明和社区协作，才能真正对抗大型科技公司的数据垄断。