MolmoWeb-4B من Ai2: وكيل ويب يرى المواقع كما يراها الإنسان، دون تحليل HTML

قدّمت Ai2 (معهد Allen للذكاء الاصطناعي) نموذج MolmoWeb-4B، وهو وكيل ويب مفتوح المصدر ومتعدد الوسائط يتحكم في المتصفح عبر لقطات الشاشة فقط، دون تحليل HTML.

الرؤية بدل التحليل البرمجي

تعتمد معظم وكلاء الويب على شجرة DOM: تقرأ شيفرة HTML للصفحة، وتحدد العناصر المطلوبة، وتتفاعل معها برمجيًا. غير أن هذا النهج يفشل في المواقع الديناميكية، وواجهات Canvas، والصفحات الثقيلة بـ JavaScript.

يسلك MolmoWeb طريقًا مختلفًا. يتلقى النموذج لقطة شاشة للحالة الحالية للمتصفح ويرى الصفحة كصورة، تمامًا كما يراها الإنسان. مهمة الوكيل أن يفهم ما يجري على الشاشة ويقرر الخطوة التالية. لا HTML ولا محددات DOM، بل بكسلات واستدلال متعدد الوسائط فقط.

كيف يعمل خط المعالجة

يقوم MolmoWeb-4B على نموذج لغوي متعدد الوسائط بـ 4 مليارات معامل مع تكميم 4-bit. يتيح ذلك تشغيله على Google Colab المجاني مع GPU من نوع T4، وهو أمر مهم خصوصًا للمطورين الذين لا يملكون عتادًا باهظ الثمن.

تتألف دورة عمل الوكيل من خمس خطوات:

• التقاط لقطة شاشة للحالة الحالية للمتصفح
• تمرير الصورة إلى MolmoWeb-4B
• استدلال النموذج حول حالة الصفحة (chain-of-thought)
• التنبؤ بالإجراء التالي: نقرة، أو إدخال نص، أو تمرير
• تنفيذ الإجراء والتقاط لقطة شاشة جديدة

الفكرة المحورية في سير عمل الموجّهات (prompts) هي إلزام النموذج بالاستدلال الصريح قبل التنفيذ. فالوكيل لا «يرى زرًّا فيضغط عليه» ببساطة، بل يصوغ ما يلاحظه على الشاشة، ويشرح سبب وجوب النقر في ذلك الموضع تحديدًا، ثم يولّد الإحداثيات أو الأمر. وهذا تكييف لأسلوب chain-of-thought في التوجيه مع الإدراك البصري للواجهات.

الوصول المفتوح والتطبيق العملي

يُنشر MolmoWeb بموجب ترخيص Ai2 المفتوح، ما يعني أن بإمكان أي مطور نشر وكيل ويب خاص به دون الاعتماد على واجهات API المدفوعة من OpenAI أو Google أو Anthropic.

يقدّم المؤلفون دليلًا تعليميًا كاملًا، يبدأ من إعداد البيئة في Colab وتحميل النموذج عبر Transformers، وصولًا إلى التكامل مع Playwright للتحكم في المتصفح. وتُبنى حلقة الوكيل من الصفر: التقاط لقطة الشاشة، وتمريرها إلى النموذج، وتحليل الإجابة، وتنفيذ الإجراء.

المزايا العملية:

• التشغيل دون مفاتيح API لخدمات خارجية
• لا يتطلب وسم المواقع بشكل خاص ولا إضافات للمتصفح
• متوافق مع أي موقع وأي نظام تشغيل
• النسخة المكمّمة (4-bit) تعمل على Colab T4
• خط معالجة قابل لإعادة الإنتاج بالكامل ومتاح للعموم

تحفّظ: حتى الآن، هذه أداة بحثية. فالسرعة (تستغرق الخطوة الواحدة عدة ثوانٍ) ودقة التنبؤ بالإجراءات أدنى من الوكلاء المتخصصين الذين يملكون وصولًا مباشرًا إلى DOM.

السياق: سباق وكلاء المتصفح

تُعد وكلاء المتصفح من أنشط اتجاهات تطوير الذكاء الاصطناعي في 2025–2026. فـ Anthropic Computer Use وGoogle Project Mariner وOpenAI Operator، وكلها من اللاعبين الكبار الذين يعملون بنشاط على تمكين نماذج الذكاء الاصطناعي من التحكم في الحاسوب بدلًا من الإنسان.

يشغل MolmoWeb من Ai2 مكانة خاصة: فهو مفتوح بالكامل، وقابل لإعادة الإنتاج، ويعمل على عتاد استهلاكي. وهو ليس منافسًا مباشرًا للحلول المؤسسية، بل أداة للباحثين والمطورين الراغبين في بناء وكلائهم بأنفسهم.

ماذا يعني ذلك

إن وكيل متصفح مفتوحًا بـ 4B معامل يمكن تشغيله في Colab يخفض عتبة الدخول إلى مهام أتمتة الويب. وتحصل الفرق التي لا تملك ميزانيات مؤسسية على أداة عملية لتجربة وكلاء يتحكم فيهم البصر، لا وسم الشيفرة.