AutoWebGLM：基于大型语言模型的网页导航智能体

大型语言模型（LLM）推动了许多智能网页智能体，但大多数现有方法在现实世界网页导航任务中表现远不理想，主要due to以下三个因素：（1）HTML 文本数据的复杂性（2）网页动作的多样性（3）由于 web 开放域本质导致的任务难度。在考虑到这些挑战之后，我们开发基于 ChatGLM3-6B 的开源 AutoWebGLM。AutoWebGLM 可以作为一个 outperform GPT-4 的强大的自动网页导航智能体。受人类浏览模式启发，我们首先设计 HTML 简化算法，用以简洁地表示 webpage，同时保留关键信息。随后，我们采用混合人类-AI 方法构建网页浏览数据用于 curriculum 训练。最后，我们通过强化学习和拒绝抽样来引导模型，进一步促进 webpage 理解、浏览器操作和高效任务分解。为了进行全面评估，我们建立了一个双语基准 -- AutoWebBench -- 用于现实世界的网页导航任务。我们在多样化的网页导航基准上评估了 AutoWebGLM，展示了其在现实环境中应对具有挑战性任务的潜力。相关代码、模型和数据已发布于 \url{https://github.com/THUDM/AutoWebGLM}。