El primer agente web de código abierto que no necesita HTML acaba de superar a GPT-4o

Un equipo de investigadores lanzó MolmoWeb, una familia de agentes web multimodales completamente abiertos. Los agentes logran resultados de vanguardia en evaluaciones basadas en navegador, superando a modelos propietarios como GPT-4o. No requieren acceso a HTML, árboles de accesibilidad ni API especializadas. ai2-opens-the-hood-on-olmo-3-every-checkpoint-every-data-point-every-decision

Los agentes vienen en tamaños de 4 mil millones y 8 mil millones de parámetros. Se entrenaron en un conjunto de datos llamado MolmoWebMix que combina más de 100,000 trayectorias de tareas sintéticas de múltiples tuberías de generación con más de 30,000 demostraciones humanas, trayectorias atómicas de habilidades web y datos de percepción de GUI que incluyen fundamentación de expresiones referenciales y respuesta a preguntas de capturas de pantalla.

Rendimiento de vanguardia

En evaluaciones de uso de navegador como WebVoyager, Online-Mind2Web y DeepShop, los agentes MolmoWeb logran resultados de vanguardia, superando a modelos de solo peso abierto de escala similar, incluidos Fara-7B, UI-Tars-1.5-7B y Holo1-7B. Cabe destacar que MolmoWeb-8B también supera a los agentes basados en marcadores de objetos construidos sobre modelos frontera cerrados mucho más grandes como GPT-4o. domyn-and-aisquared-build-on-ai2s-open-releases-for-regulated-industries

Los investigadores demostraron ganancias consistentes mediante escalado en tiempo de prueba a través de ejecuciones paralelas con selección del mejor de N. En WebVoyager y Online-Mind2Web, lograron 94.7% y 60.5% pas@4, en comparación con 78.2% y 35.3% pas@1.

Operando sin HTML

A diferencia de muchos agentes web existentes que dependen del análisis de HTML o árboles de accesibilidad, los agentes MolmoWeb operan puramente a partir de capturas de pantalla. Dada una instrucción de tarea y una captura de pantalla de página web, predicen la siguiente acción del navegador. Esto los convierte en políticas de acción verdaderamente basadas en visión. El diseño elimina la necesidad de API especializadas y mejora la robustez en diferentes entornos web.

Datos abiertos y reproducibilidad

El equipo detrás de MolmoWeb, que se basa en el modelo anterior de lenguaje-visión Molmo, se ha comprometido a lanzar puntos de control del modelo, datos de entrenamiento, código y un arnés de evaluación unificado. Esto contrasta con los sistemas propietarios cuyos datos de entrenamiento y recetas permanecen no divulgados, limitando la comprensión científica y el progreso impulsado por la comunidad. nvidias-nemotron-data-atlas-reveals-why-synthetic-data-is-the-real-agent-bottleneck

Creemos que los agentes para la web abierta deberían construirse en abierto,

escriben los investigadores en su artículo. El lanzamiento tiene como objetivo acelerar la investigación abierta sobre agentes web y permitir la reproducibilidad.

Reacción de la comunidad

El artículo atrajo atención inmediata de la comunidad de investigación en IA. El Bibliotecario Bot en Hugging Face identificó varios artículos relacionados, incluyendo OpAgent: Operator Agent for Web Navigation y WebFactory: Automated Compression of Foundational Language Intelligence into Grounded Web Agents, ambos de 2026, lo que sugiere un creciente impulso en el espacio de agentes web abiertos. why-you-should-drop-everything-and-install-openmanus-right-now

Observadores de la industria notaron que la capacidad de igualar o superar el rendimiento de modelos propietarios a una fracción del costo computacional y con total transparencia podría presionar a los laboratorios más grandes a reconsiderar sus enfoques cerrados.

MolmoWeb-8B ya está disponible para descarga y experimentación. Se espera que el conjunto de datos completo y el código base estén disponibles en las próximas semanas.