Apple ML Research представила Weblica — масштабируемую среду для обучения визуальных веб-агентов

Apple ML Research опубликовала статью о Weblica (Web Replica) — фреймворке для создания воспроизводимых и масштабируемых обучающих сред для визуальных веб-агентов, способных работать в браузере как человек.

Над задачей обучения visual web agents работают сразу несколько ведущих лабораторий мира: агенты, которые видят браузер как человек и действуют в нём, — потенциальная революция в автоматизации повторяющихся онлайн-задач. Apple выпускает Weblica как инструмент, закрывающий принципиальный пробел в обучающей инфраструктуре.

Почему обучить веб-агента так сложно?

Веб постоянно меняется: страницы обновляются, интерфейсы переверстываются, JavaScript-логика динамически подгружает контент. Для AI-агента, работающего в браузере как человек, это означает принципиально нестабильную среду обучения — повторить один и тот же сценарий через неделю уже не получится, потому что сайт изменился.

Существующие подходы к сбору обучающих данных страдают от структурных ограничений. Офлайн-траектории для дообучения с учителем (SFT) — это записанные сессии, которые агент заучивает. Они не масштабируются и не учат агента реагировать на живые изменения интерфейса. Симулированные среды для обучения с подкреплением (RL) решают проблему интерактивности, но их единицы — и они охватывают узкий набор сценариев, не отражая реального разнообразия интернета.

Как устроена Weblica?

Weblica решает проблему через два взаимодополняющих механизма.

Кеширование на уровне HTTP. Фреймворк перехватывает и сохраняет HTTP-запросы и ответы во время живого сёрфинга, а затем воспроизводит точные визуальные состояния страниц без обращения к исходному серверу. Ключевое свойство: это не статичный снимок, а воспроизводимое интерактивное окружение — кнопки работают, формы принимают ввод, переходы между страницами функционируют.

• HTTP-кеш фиксирует сетевые ответы и гарантирует идентичный визуальный результат при каждом запуске
• Интерактивность сохраняется — агент может кликать, вводить текст, навигировать по страницам
• Среда стабильна независимо от изменений на исходных сайтах
• Воспроизводимость критична для RL: без неё невозможно честно сравнивать результаты разных экспериментов

LLM-синтез сред. Второй механизм использует языковые модели для генерации новых веб-окружений. Вместо того чтобы вручную создавать сотни тестовых сценариев, Weblica поручает LLM конструировать разнообразные веб-задачи и соответствующие им страницы. Это позволяет масштабировать разнообразие обучающих данных без линейного роста затрат на разметку. В итоге Weblica создаёт масштабируемую фабрику обучающих сред: HTTP-кеш отвечает за стабильность, LLM — за разнообразие.

Что это значит

Weblica закрывает два ключевых дефицита в разработке visual web agents: воспроизводимость (одна и та же среда даёт идентичный результат в разных экспериментах, что необходимо для честного RL) и разнообразие (LLM-синтез создаёт охват, недостижимый ручной разметкой).

Публикация Apple ML Research примечательна и с точки зрения стратегии: компания традиционно сдержана в части публичных AI-исследований. Появление детальной статьи об инфраструктуре для обучения агентов сигнализирует о серьёзных инвестициях в это направление. Если Weblica войдёт в практику разработки Apple Intelligence, Siri и смежные инструменты смогут автономно бронировать билеты, заполнять формы и агрегировать данные прямо в браузере.

Частые вопросы

Чем Weblica отличается от обычного веб-скрапера?

Обычный скрапер извлекает данные со страницы и на этом останавливается. Weblica сохраняет полное интерактивное состояние: агент может кликать по кнопкам, вводить текст в формы и переходить по ссылкам — так же как в реальном браузере. При этом среда воспроизводима и не зависит от изменений на живом сайте.

Зачем веб-агенту нужна воспроизводимая среда?

Обучение с подкреплением (RL) требует тысяч повторений одного сценария для сравнения разных стратегий агента. Если сайт меняется между запусками, корректно обучить и оценить агента невозможно. HTTP-кеш в Weblica решает именно эту проблему, фиксируя состояние среды на момент записи.