WebAnything сам копирует 244 сайта для обучения веб-агентов

Чтобы научить ИИ-агента пользоваться сайтами, ему нужна площадка, где можно кликать, ошибаться и начинать с нуля. Живой интернет для этого не годится: состояние не сбросить, результат не повторить, а лишнее нажатие может оформить реальный заказ. Исследователи из Nanyang Technological University и компании Shanghai Qiji Zhifeng представили WebAnything. Система берёт обычный адрес сайта и сама собирает его локальную рабочую копию, без ручной доводки под каждый сайт. Сейчас в коллекции 244 такие копии в 14 областях и 53 категориях. На них принято 12 984 проверенных задачи для агентов.

Чем плохи существующие способы

Авторы описывают три подхода, и у каждого своя слабость.

• Копии, собранные людьми. Они точные и управляемые, но под каждый сайт нужна отдельная инженерная работа. Пример — WebHarbor, где копии делают люди вместе с кодинг-агентом.
• Генерация сайта по описанию. Масштабируется хорошо, но результат может уйти от настоящего сайта.
• Запись и воспроизведение. Внешний вид сохраняется, но агент не выйдет за пределы того, что успели записать.

WebAnything пытается взять от каждого лучшее: автоматизацию, верность оригиналу и свободу действий.

Один агент строит, другой проверяет

Система не видит серверный код сайта, только то, что показывает браузер. Первый ИИ-агент, пара Explorer–Builder, обходит страницы и собирает доказательства: структуру страницы, стили, геометрию элементов, скриншоты, шрифты и картинки. Главное в сборе — записи «до и после» каждого действия. Закрытое и раскрытое меню на одном адресе считаются разными состояниями. По этим данным агент пишет код: страницы, маршруты и переходы между состояниями.

Дальше работает второй ИИ-агент, независимый проверяющий. Он получает замороженную версию и в отдельной сессии заново прогоняет страницы, элементы, сценарии и сохранение данных. Результат он сверяет с записями оригинала. Править код ему нельзя, это делает только строитель.

Найденное расхождение идёт по одному из двух путей:

• Если данных достаточно, а копия ошиблась, строитель получает точное описание: что сделали, чего ждали, что получили. Затем он чинит код локально.
• Если данных не хватает, система возвращается на оригинал и дособирает нужное.

После любой правки версию замораживают и проверяют снова. Пример из статьи: в Figma поле комментария на холсте встало не туда и выглядело иначе. Строитель изменил разметку и стили, а проверяющий подтвердил положение и видимость.

Готовая копия поставляется с фиксированными начальными данными, сбросом состояния и проверкой результата. Её можно гонять сколько угодно раз.

Что показали измерения

За 85 сайтов из исторической коллекции не записано ручной реализации, отладки или починки на каждый сайт. Нужны только начальная настройка и авторизация. Стоимость вызовов модели авторы учли для 84 сайтов и называют итог нижней границей.

Качество сравнивали с WebHarbor на пяти сайтах и 14 состояниях страниц. WebAnything выиграл по всем трём автоматическим метрикам: совпадение пикселей, структурное сходство SSIM и текстовая точность Text F1. В слепой оценке трёх разметчиков вышло 12 побед, две ничьи и ни одного поражения. Отдельно проверили 18 расхождений на шести сайтах, и все они были подтверждены и устранены.

Полезность для обучения проверили на модели Qwen3.5-9B. Её дообучали на 5 856 траекториях (60 517 пошаговых примеров, 473 шага обучения). Прирост на трёх внешних тестах:

• REAL, тест на контролируемых копиях сайтов: +9,9 п.п. успешных заданий.
• Odysseys-Easy: +6,25 п.п. по рубрике оценки и +6,32 п.п. по доле выполненных задач.
• WebArena-Verified: +13,33 п.п. общей успешности.

Новые 6 812 задач на 229 сайтах в этом дообучении не использовались.

Что это даёт на практике

Для команд, которые строят веб-агентов, главное в том, что копии сайтов перестают быть ручной работой. Раньше сценарий «сто разных магазинов, банков и таск-трекеров» упирался в человеко-часы. Теперь это вопрос бюджета на вызовы модели.

Ограничения тоже есть. Сайт копируется в пределах заявленного объёма. Скрытая серверная логика восстанавливается только по наблюдаемому поведению. Прирост измерен на одной небольшой модели и на фиксированной обвязке агента. Это не гарантия того же эффекта на других моделях и других задачах.