WebArbiter：一种面向 Web 智能体的原则引导型推理过程奖励模型

针对 Web 智能体在长程序列决策中面临的监督稀疏与延迟问题，本文提出 WebArbiter。这是一种基于原则引导的推理过程奖励模型（WebPRM），将奖励建模转化为文本生成任务，输出结构化论证以判定动作偏好。通过推理蒸馏与强化学习两阶段训练，该模型显著提升了泛化能力。在 WebPRMBench 基准测试中，其表现超越 GPT-5；在轨迹搜索任务中，优于现有最佳方法，展现了在复杂 Web 任务中的鲁棒性与实用价值。