WebWorld: Un Modello del Mondo su Larga Scala per l'Addestramento di Agenti Web
WebWorld: A Large-Scale World Model for Web Agent Training
February 16, 2026
Autori: Zikai Xiao, Jianhong Tu, Chuhang Zou, Yuxin Zuo, Zhi Li, Peng Wang, Bowen Yu, Fei Huang, Junyang Lin, Zuozhu Liu
cs.AI
Abstract
Gli agenti web richiedono traiettorie massive per generalizzare, ma l'addestramento nel mondo reale è limitato da latenza di rete, limiti di frequenza e rischi per la sicurezza. Introduciamo la serie WebWorld, il primo simulatore open-web addestrato su larga scala. Mentre i simulatori esistenti sono limitati ad ambienti chiusi con migliaia di traiettorie, WebWorld sfrutta una pipeline di dati scalabile per addestrarsi su oltre 1 milione di interazioni open-web, supportando ragionamento, dati multi-formato e simulazioni a lungo orizzonte di oltre 30 passi. Per la valutazione intrinseca, introduciamo WebWorld-Bench con metriche duali che coprono nove dimensioni, dove WebWorld raggiunge prestazioni di simulazione paragonabili a Gemini-3-Pro. Per la valutazione estrinseca, Qwen3-14B addestrato su traiettorie sintetizzate da WebWorld migliora del +9,2% su WebArena, raggiungendo prestazioni comparabili a GPT-4o. WebWorld abilita una ricerca efficace in fase di inferenza, superando GPT-5 come modello mondiale. Oltre alla simulazione web, WebWorld mostra generalizzazione cross-dominio per ambienti di codice, GUI e giochi, fornendo una ricetta replicabile per la costruzione di modelli mondiali.
English
Web agents require massive trajectories to generalize, yet real-world training is constrained by network latency, rate limits, and safety risks. We introduce WebWorld series, the first open-web simulator trained at scale. While existing simulators are restricted to closed environments with thousands of trajectories, WebWorld leverages a scalable data pipeline to train on 1M+ open-web interactions, supporting reasoning, multi-format data, and long-horizon simulations of 30+ steps. For intrinsic evaluation, we introduce WebWorld-Bench with dual metrics spanning nine dimensions, where WebWorld achieves simulation performance comparable to Gemini-3-Pro. For extrinsic evaluation, Qwen3-14B trained on WebWorld-synthesized trajectories improves by +9.2\% on WebArena, reaching performance comparable to GPT-4o. WebWorld enables effective inference-time search, outperforming GPT-5 as a world model. Beyond web simulation, WebWorld exhibits cross-domain generalization to code, GUI, and game environments, providing a replicable recipe for world model construction.