首个无需HTML的开源网络智能体击败GPT-4o

一个研究团队发布了MolmoWeb，一个全开源多模态网络智能体系列。这些智能体在基于浏览器的基准测试中取得了最先进的结果，超越了GPT-4o等专有模型。它们无需访问HTML、无障碍树或专用API。ai2-opens-the-hood-on-olmo-3-every-checkpoint-every-data-point-every-decision

这些智能体提供40亿和80亿参数两种规模。它们基于一个名为MolmoWebMix的数据集进行训练，该数据集结合了来自多个生成管道的超过10万个合成任务轨迹、超过3万个人工演示、原子网络技能轨迹以及包括指代表达式定位和截图问答在内的GUI感知数据。

最先进的性能

在WebVoyager、Online-Mind2Web和DeepShop等浏览器使用基准测试中，MolmoWeb智能体取得了最先进的结果，超越了同等规模的开源权重模型，包括Fara-7B、UI-Tars-1.5-7B和Holo1-7B。值得注意的是，MolmoWeb-8B还超越了基于更大规模封闭前沿模型（如GPT-4o）构建的集标记智能体。domyn-and-aisquared-build-on-ai2s-open-releases-for-regulated-industries

研究人员通过并行展开和最佳N选择在测试时扩展中展示了持续的性能提升。在WebVoyager和Online-Mind2Web上，pass@4分别达到94.7%和60.5%，而pass@1为78.2%和35.3%。

无需HTML运行

与许多依赖解析HTML或无障碍树的现有网络智能体不同，MolmoWeb智能体完全基于截图运行。给定任务指令和网页截图，它们预测下一个浏览器操作。这使得它们成为真正的基于视觉的行动策略。该设计消除了对专用API的需求，并提高了跨不同网络环境的鲁棒性。

开放数据与可复现性

MolmoWeb团队基于早期的Molmo视觉语言模型，承诺发布模型检查点、训练数据、代码和统一评估框架。这与专有系统形成鲜明对比，后者的训练数据和食谱仍未公开，限制了科学理解和社区驱动的进步。nvidias-nemotron-data-atlas-reveals-why-synthetic-data-is-the-real-agent-bottleneck

我们相信开放网络的智能体应该以开放的方式构建，

研究人员在论文中写道。此次发布旨在加速网络智能体的开放研究并实现可复现性。

社区反应

该论文立即引起了AI研究社区的关注。Hugging Face上的Librarian Bot识别出几篇相关论文，包括OpAgent: Operator Agent for Web Navigation和WebFactory: Automated Compression of Foundational Language Intelligence into Grounded Web Agents，两者均来自2026年，表明开放网络智能体领域势头日益增强。why-you-should-drop-everything-and-install-openmanus-right-now

行业观察人士指出，以极低的计算成本和完全透明性匹配或超越专有模型性能的能力，可能会迫使大型实验室重新考虑其封闭方法。

MolmoWeb-8B现已可供下载和实验。完整数据集和代码库预计将在未来几周内发布。