WebSailor: Навигация в сверхчеловеческих рассуждениях для веб-агента

WebSailor: Navigating Super-human Reasoning for Web Agent

July 3, 2025

Авторы: Kuan Li, Zhongwang Zhang, Huifeng Yin, Liwen Zhang, Litu Ou, Jialong Wu, Wenbiao Yin, Baixuan Li, Zhengwei Tao, Xinyu Wang, Weizhou Shen, Junkai Zhang, Dingchu Zhang, Xixi Wu, Yong Jiang, Ming Yan, Pengjun Xie, Fei Huang, Jingren Zhou

cs.AI

Аннотация

Преодоление когнитивных ограничений человека представляет собой ключевой рубеж в обучении крупных языковых моделей (LLM). Проприетарные агентные системы, такие как DeepResearch, продемонстрировали сверхчеловеческие способности на чрезвычайно сложных тестах на поиск информации, таких как BrowseComp, что ранее было недостижимо. Мы предполагаем, что их успех обусловлен сложной схемой рассуждений, отсутствующей в моделях с открытым исходным кодом: способностью систематически снижать крайнюю неопределенность при навигации в обширных информационных ландшафтах. Основываясь на этом инсайте, мы представляем WebSailor — полную методологию посттренировки, разработанную для внедрения этой критически важной способности. Наш подход включает генерацию новых задач с высокой неопределенностью через структурированную выборку и обфускацию информации, RFT-холодный старт и эффективный алгоритм обучения агентного RL — Оптимизацию политики дублирующей выборки (DUPO). С помощью этого интегрированного конвейера WebSailor значительно превосходит все открытые агенты в сложных задачах поиска информации, достигая уровня производительности проприетарных агентов и сокращая разрыв в возможностях.

English

Transcending human cognitive limitations represents a critical frontier in LLM training. Proprietary agentic systems like DeepResearch have demonstrated superhuman capabilities on extremely complex information-seeking benchmarks such as BrowseComp, a feat previously unattainable. We posit that their success hinges on a sophisticated reasoning pattern absent in open-source models: the ability to systematically reduce extreme uncertainty when navigating vast information landscapes. Based on this insight, we introduce WebSailor, a complete post-training methodology designed to instill this crucial capability. Our approach involves generating novel, high-uncertainty tasks through structured sampling and information obfuscation, RFT cold start, and an efficient agentic RL training algorithm, Duplicating Sampling Policy Optimization (DUPO). With this integrated pipeline, WebSailor significantly outperforms all opensource agents in complex information-seeking tasks, matching proprietary agents' performance and closing the capability gap.