从模仿到判别：用于鲁棒 Web 导航的渐进式课程学习

针对真实世界 HTML 噪声大且异构导致基于文本的 Web 代理开发困难的问题，本文提出 Triton 数据集及渐进式训练课程。Triton 利用结构 - 语义硬负例挖掘和双代理共识管道构建。在此基础上，课程生成了三个模型：用于基础模仿的 Triton-SFT-32B、通过几率比偏好优化实现鲁棒判别的 Triton-ORPO-32B，以及通过组相对策略优化确保长程一致性的 Triton-GRPO-32B。实验表明，Triton-GRPO-32B 在 Mind2Web 上步成功率达 58.7%，超越 GPT-4.5 等闭源模型，验证了专用数据课程优于单纯参数规模。