Agent, który nie gubi się po trzecim kliknięciu: Wuying uczy przeglądarkowe AI długiego oddechu

Wyobraź sobie asystenta, który potrafi samodzielnie przejść przez kilkanaście stron internetowych, wypełnić formularze i poprawić swoje błędy, gdy coś pójdzie nie tak. Wuying-Browser-Agent to nowy framework, który uczy agenty właśnie tego – i robi to lepiej niż cokolwiek dostępnego open-source.

Dlaczego przeglądarkowe agenty wciąż zawodzą w realnym świecie?

Większość demonstracji agentów AI wygląda świetnie na filmikach: klik, klik, gotowe. Problem w tym, że to czyste, krótkie scenariusze, często nagrywane na uproszczonych wersjach stron. Gdy taki agent trafia na prawdziwy, żywy serwis – z dynamicznie ładującymi się elementami, wyskakującymi okienkami i nieoczekiwanymi przekierowaniami – zaczyna się gubić. 'Agenty przeglądarkowe radzą sobie dobrze na krótkich, czystych demonstracjach, ale rzeczywiste wdrożenie jest fundamentalnie inne: agenty muszą podejmować dziesiątki decyzji na żywych stronach, jednocześnie wychodząc z błędów i nawigując po złożonych interfejsach' – piszą autorzy z AIMAE Team.

Rzeczywiste zadania, jak wypełnienie wniosku urzędowego czy rezerwacja podróży przez kilka serwisów, wymagają średnio kilkudziesięciu kroków. Każdy z nich to decyzja: co kliknąć, gdzie przewinąć, jak zinterpretować zmieniający się układ strony. Istniejące testy często kończą się po kilku akcjach, nie pokazując, co się dzieje, gdy agent musi utrzymać kontekst przez dłuższy czas. Zespół Wuying postawił sprawę jasno: potrzebujemy agentów, które nie tylko wykonują pojedyncze akcje, ale potrafią planować i korygować trasę, gdy napotkają przeszkodę.

Cztery warstwy naprawy, czyli co Wuying robi inaczej

Zamiast po prostu skalować model, autorzy podeszli do problemu systemowo. 'Argumentujemy, że zamknięcie tej luki wymaga dostosowania na każdym poziomie potoku: wykonania, nadzoru, optymalizacji i ewaluacji, a nie tylko skali' – podkreślają. W praktyce oznacza to cztery komponenty, które razem tworzą spójny ekosystem treningowy i ewaluacyjny.

Pierwszy to strukturalne środowisko przeglądarkowe. Nie chodzi tu tylko o emulację kliknięć, ale o stabilne prymitywy wykonawcze i zarządzanie kontekstem zorientowane na decyzje – coś w rodzaju solidnego fundamentu, na którym agent może budować sekwencje działań bez obawy, że środowisko nagle zmieni reguły gry. Drugi element to RUIC-SFT, czyli nadzorowane dostrajanie z programem nauczania, które jawnie uczy agenta refleksji nad własnymi błędami i interakcji ze złożonymi interfejsami. Zamiast suchych demonstracji, model dostaje trajektorie naprawcze: 'tu popełniłeś błąd, tak powinieneś to skorygować'.

Trzecią warstwą jest DAO-GRPO – optymalizacja polityki online, która rozwiązuje problem przypisywania zasług w długich sekwencjach. W zwykłym uczeniu ze wzmocnieniem trudno stwierdzić, który z 30 kroków faktycznie przyczynił się do sukcesu. DAO-GRPO waży kroki w zależności od ich dywergencji od polityki referencyjnej i kształtuje nagrodę, żeby agent nie uczył się przypadkowych skrótów. Ostatni element to BrowserBench, ale o nim za chwilę.

Agenty przeglądarkowe radzą sobie dobrze na krótkich, czystych demonstracjach, ale rzeczywiste wdrożenie jest fundamentalnie inne: agenty muszą podejmować dziesiątki decyzji na żywych stronach, jednocześnie wychodząc z błędów i nawigując po złożonych interfejsach.

AIMAE Team et al.

Wuying-Browser-Agent paper abstract

BrowserBench: test, który się nie kończy po trzech kliknięciach

Istniejące benchmarki, jak WebVoyager czy Online-Mind2Web, są przydatne, ale cierpią na jedną przypadłość: zadania są za krótkie. Średnia długość w BrowserBench to 37,9 kroku. To nie jest już 'znajdź przycisk i kliknij'. To 'zaloguj się, przejdź przez trzy podstrony, wypełnij formularz, obsłuż błąd walidacji, wybierz opcję z listy rozwijanej, potwierdź i sprawdź, czy wszystko się zapisało'. Do tego zestaw 350 zadań jest dwujęzyczny (chiński i angielski), co od razu testuje odporność na różne języki interfejsu.

Dlaczego to ważne? Bo dopiero przy takiej długości wychodzą na jaw problemy z utrzymaniem kontekstu i kumulacją błędów. Agent, który ma 95% celności na pojedynczy krok, po 38 krokach ma szansę powodzenia poniżej 15%, jeśli błędy się nawarstwiają. BrowserBench został zaprojektowany właśnie po to, żeby mierzyć, jak agent radzi sobie z tym długim łańcuchem decyzji, a nie tylko z pojedynczymi akcjami.

Liczby, które robią wrażenie, ale nie wszystko złoto

Wuying-Browser-Agent-27B osiąga 80,6% na WebVoyager, 66,7% na Online-Mind2Web i 65,1% na BrowserBench. To nowy otwarty stan wiedzy – jak na razie nikt nie pokazał lepszych wyników w modelach open-source na tych testach. 'Wuying-Browser-Agent-27B osiąga 80,6% na WebVoyager, 66,7% na Online-Mind2Web i 65,1% na BrowserBench, ustanawiając nowy otwarty stan wiedzy w benchmarkach przeglądarkowych' – podają autorzy.

Poza przeglądarką ten sam potok treningowy daje średnio 73,8 punktu na Tau2-Bench, Claw-Eval i BFCL-v4. To sugeruje, że refleksja nad błędami, program nauczania i ważenie kroków sprawdzają się również przy obsłudze API i zarządzaniu narzędziami. Czy ten sam schemat przełoży się na zadania wymagające nie 38, a 100 kroków?

• BrowserBench to pierwszy benchmark z zadaniami o średniej długości 37,9 kroków, odzwierciedlający realne wyzwania długich horyzontów.
• RUIC-SFT uczy agenta refleksji nad błędami i radzenia sobie ze złożonym UI, zamiast polegać wyłącznie na czystych demonstracjach.
• DAO-GRPO poprawia przypisywanie nagród w długich sekwencjach, zapobiegając uczeniu się przypadkowych skrótów.
• Ten sam potok treningowy działa poza przeglądarką, osiągając średnio 73,8 punktu na trzech innych benchmarkach agentowych.

Praktyczne zastosowania

Aby lepiej zrozumieć opisywaną innowację, przygotowaliśmy cztery przykłady praktycznego zastosowania tej technologii w różnych branżach:

Agent, który nie gubi się po trzecim kliknięciu: Wuying uczy przeglądarkowe AI długiego oddechu

Wystawienie jednej oferty z wariantami na Allegro potrafi zająć 30 minut. Gdy sprzedajesz 200 produk

Agent przeglądarkowy Wuying w finansach: mniej ręcznego logowania, więcej kontroli nad raportowaniem

Działy finansowe w Polsce co miesiąc tracą dziesiątki godzin na logowanie się do portali bankowych,

Cichy agent w rejestracji: jak AI skraca weryfikację ubezpieczenia pacjenta z kilku minut do sekund

Codziennie w polskich przychodniach i szpitalach setki pacjentów czekają w kolejkach do rejestracji

Agent, który nie gubi się po trzecim kliknięciu: Wuying uczy przeglądarkowe AI długiego oddechu

Kiedy odwołują lot z Frankfurtu do Warszawy o 22:00, a Twój pracownik musi być jutro o 9:00 na spotk

Podsumowanie

Technologia Wuying może znaleźć zastosowanie w automatyzacji procesów biznesowych opartych na przeglądarkach, jak masowe wypełnianie formularzy, ekstrakcja danych z dynamicznych stron czy testowanie aplikacji webowych. W e-commerce agenty mogłyby monitorować ceny i dostępność produktów, a w obsłudze klienta – samodzielnie realizować wieloetapowe reklamacje, zmniejszając obciążenie działów wsparcia.

Napisanie tego artykułu zostało wspomagane przez sztuczną inteligencję. Treść opiera się na oryginalnym artykule naukowym, a jej dokładność została zweryfikowana automatycznie.