AutoSurfer -- 通过全面浏览、学习与建模教导 Web 智能体

针对多模态大语言模型驱动的 Web 智能体因缺乏高质量轨迹训练数据而导致准确率受限的问题，本文提出 AutoSurfer。该方法采用系统性的广度优先探索策略，利用探索轨迹指导任务合成以减少幻觉，并以此优化智能体的轨迹精炼。在 WebArena 基准测试中，经 AutoSurfer 数据微调的模型任务完成率显著优于现有最先进方法，且生成的任务分布更具多样性，有效覆盖了网站的动作空间。