Das ideale Demo zum lebendigen Web
Browserassistenten auf KI-Basis meistern souverän kurze und klare Szenarien: ein Produkt finden, eine Bestellung aufgeben, ein Formular ausfüllen. Doch sobald ein solcher Agent auf einer echten Website landet – mit langsamen Ladezeiten, unerwarteten Pop-ups, wechselhaftem Layout und Dutzenden Zwischenklicks – ändert sich das Bild. In der Realität muss die KI ein Ziel über eine lange Aktionskette hinweg im Blick behalten, eigene Fehler bemerken und korrigieren und sich in überladenen Oberflächen zurechtfinden.
Was bedeutet „langes Szenario“ in der Praxis? Es ist nicht ein Klick und nicht einmal zehn: Der Agent kann 30–40 oder mehr Schritte ausführen, bevor er zum gewünschten Ergebnis gelangt. Jeder Schritt hängt vom vorherigen ab, und ein einziger Fehler kann alle Bemühungen zunichtemachen. Hinzu kommt, dass sich echte Webseiten ständig verändern: Das Layout „verrutscht“, neue Elemente erscheinen, und Daten werden asynchron nachgeladen. Ein Modell, das auf statischen Demonstrationen trainiert wurde, verliert unter solchen Bedingungen die Orientierung.
Das Problem ist, dass die meisten bestehenden Ansätze auf vereinfachten Demonstrationen trainiert werden und nicht für dieses Maß an Komplexität ausgelegt sind. Eine bloße Skalierung des Modells hilft hier nicht: Die Kluft zwischen Laborbedingungen und dem echten Web erfordert eine Überarbeitung der gesamten Pipeline – von der Ausführung der Aktionen bis zur abschließenden Bewertung.
Ein einheitliches Framework für lange Horizonte
Genau diese Aufgabe hat sich das Team von AIMAE gestellt und Wuying-Browser-Agent vorgestellt – ein offenes Framework, das alle Ebenen der Arbeit eines Browser-Agenten abdeckt. Statt sich nur auf einen Teil zu konzentrieren, haben die Autoren Ausführung, Kontrolle, Optimierung und Bewertung aufeinander abgestimmt.
Betrachten wir jede Ebene genauer. Ausführung – das ist, wie der Agent mit der Seite interagiert: klicken, Text eingeben, Tabs wechseln. Kontrolle – die Beobachtung der Aktionen und das rechtzeitige Eingreifen, wenn etwas schiefgeht. Optimierung – der Lernprozess, der das Modell auf erfolgreiche Trajektorien einstellt. Und schließlich Bewertung – die Möglichkeit zu messen, wie gut der Agent Aufgaben im echten Web bewältigt. Alle diese Ebenen müssen kohärent zusammenarbeiten, sonst zerfällt das System auf langen Distanzen.
Drei Schlüsselkomponenten gewährleisten die Funktionsweise des Systems:
- Strukturiertes Browser-Harness – ein Satz stabiler Primitive zur Ausführung von Aktionen. Es gibt dem Agenten eine vorhersehbare Umgebung und hilft, den Kontext zu verwalten, orientiert an der Entscheidungsfindung. Statt sich auf unzuverlässige Selektoren oder zufällige Timings zu verlassen, erhält der Agent klare Befehle, die einheitlich ausgeführt werden.
- RUIC-SFT – eine Methode des überwachten Feintunings auf Trajektorien der Fehlerbehebung und Interaktionen mit komplexen UI-Elementen. Das Modell lernt nicht nur aus erfolgreichen Ketten, sondern auch, wie man aus einer Sackgasse herausfindet.
- DAO-GRPO – ein Optimierungsalgorithmus, der die „Kredit“-Verteilung über lange Horizonte durch potenzielle Belohnungsformung und Divergenzgewichtung der Schritte verbessert. Jede Aktion wird hinsichtlich ihres Beitrags zum Gesamtergebnis bewertet, nicht isoliert.
Dieser Ansatz ermöglicht es dem Modell, nicht nur ideale Schritte auszuführen, sondern auf reale Störungen zu reagieren und zu verstehen, welche Aktionen es tatsächlich dem Ziel näherbringen. Das Framework zeigt bereits jetzt, dass die Ausrichtung der Pipeline einen größeren Effekt erzielt als eine bloße Vergrößerung des Modells.
BrowserBench: Test auf echte Länge
Wie lässt sich überprüfen, ob ein Agent wirklich bereit für das echte Web ist? Bestehende Benchmarks sind oft zu kurz und decken charakteristische Fehler auf langen Distanzen nicht auf. Ein typischer Test kann aus 5–10 Schritten bestehen, während ein Agent im echten Leben deutlich länger arbeiten muss. Deshalb hat das Team einen eigenen entwickelt – BrowserBench. Es ist ein zweisprachiger Satz von 350 Aufgaben von realen Websites mit einer durchschnittlichen Szenariolänge von fast 38 Schritten.
Diese Länge ist ein grundlegender Unterschied. Bei kurzen Aufgaben kann der Agent fast zufällig handeln und trotzdem ein hohes Ergebnis erzielen. Bei langen hingegen akkumuliert sich jeder Fehler, und ohne die richtige „Kredit“-Verteilung gerät das System schnell vom Kurs ab. BrowserBench macht diese Fehler sichtbar und zeigt, welche Mechanismen genau verbessert werden müssen.
Die Ergebnisse sprechen für sich. Wuying-Browser-Agent mit 27 Milliarden Parametern erreicht 80,6 % auf WebVoyager, 66,7 % auf Online-Mind2Web und 65,1 % auf BrowserBench – ein neuer offener Rekord bei Browser-Nutzungs-Benchmarks. Dieselbe Pipeline lässt sich erfolgreich auf andere Bereiche übertragen: eine durchschnittliche Punktzahl von 73,8 auf den Sets Tau2-Bench, Claw-Eval und BFCL-v4.
Bezeichnend ist, dass der Erfolg nicht bei einer einzelnen spezifischen Aufgabe erzielt wird, sondern gleich bei mehreren unabhängigen Tests. Das bedeutet, dass das Framework allgemeine Prinzipien der Arbeit mit Web-Oberflächen verinnerlicht und sich nicht an einen bestimmten Benchmark anpasst. Eine gute Generalisierbarkeit ist ein Zeichen dafür, dass der Agent wirklich versteht, was er tut, und nicht nur Muster auswendig lernt.
Was das für die Entwicklung von KI-Agenten bedeutet
Die wichtigste Erkenntnis liegt nicht in konkreten Zahlen, so beeindruckend sie auch sind. Wichtiger ist der Ansatz: Damit ein Agent in der realen Welt funktioniert, muss man aufhören, einzelnen Rekorden auf sauberen Demonstrationen hinterherzujagen, und stattdessen das gesamte System auf lange, verworrene Szenarien ausrichten. Wuying-Browser-Agent zeigt, dass dies erreichbar ist, und zwar in offener Form – Forscher können seine Ergebnisse reproduzieren und weiterentwickeln.
Dieser Ansatz hat auch praktischen Wert. Stellen Sie sich vor, Sie müssen Konditionen auf einem Dutzend Websites vergleichen, Tickets buchen oder ein langes Formular ausfüllen. Derzeit muss man das manuell erledigen, weil kein Assistent den Kontext so lange halten kann. Mit einem Framework wie Wuying-Browser-Agent könnten solche Aufgaben schon in naher Zukunft automatisiert werden.
Browser-Agenten hören auf, ein Laborexperiment zu sein, und werden zu einem praktischen Werkzeug. Es bleibt nur zu warten, bis solche Systeme in gewöhnlichen Browsern erscheinen und die Routine übernehmen – vom Einkaufen bis zum Ausfüllen von Dokumenten. Und nach diesem Framework zu urteilen, wird das nicht mehr lange dauern.
