Region4Web: 重新思考网页智能体观测空间的粒度
计算与语言
2026-05-11 v1 人工智能
摘要
网页智能体通过观测空间感知网页，但其粒度选择长期未被充分考察。现有方法将观测空间的粒度与行动空间保持一致，使页面的功能组织隐含化，并迫使智能体在每一步都从元素级信号推断其功能组织。我们认为，观测空间应以功能区域的粒度为基础，即页面中各自承担不同功能的部分。我们提出 Region4Web 框架，通过层次分解和语义抽象将 AXTree 重新组织为功能区域，从而将页面的功能组织作为页面状态理解的基础。此外，我们提出 PageDigest，一种网页特定的推理管道，将区域级观测压缩为跨步骤持久的页面摘要，供演员智能体使用。在 WebArena 基准上，PageDigest 在保持观测长度大幅减少的同时，显著提升了基于多种大型语言模型(LLM)和既定智能体方法的整体任务成功率，无论模型规模如何。这些结果表明，以功能区域的粒度进行观测，为演员智能体提供的压缩且信息丰富的基础，优于仅限于元素级处理。
引用
@article{arxiv.2605.07134,
title = {Region4Web: Rethinking Observation Space Granularity for Web Agents},
author = {Donguk Kwon and Dongha Lee},
journal= {arXiv preprint arXiv:2605.07134},
year = {2026}
}