MolmoWeb：面向开放网络的开源视觉 Web Agent 与开放数据

针对当前高性能 Web Agent 依赖闭源模型的问题，本文提出完全开源的多模态 Web Agent 系列 MolmoWeb 及混合数据集 MolmoWebMix。该数据集融合超 10 万条合成轨迹与 3 万条人类演示，涵盖原子级网页技能与 GUI 感知数据。MolmoWeb 代理作为指令条件的视觉 - 语言动作策略，仅凭截图即可预测浏览器动作，无需访问 HTML 或专用 API。实验表明，其在多个基准测试中超越同规模开源模型及部分闭源大模型，并通过测试时扩展显著提升性能，旨在推动开放网络代理研究的可复现性与社区进步。