真实网站自动变成可重置的智能体训练场：244个站点、12984个任务，盲审12胜2平0负
核心概要
WebAnything把真实网址自动重建为可执行、可重置的本地网站环境，不再需要逐站人工搭建。在5个与WebHarbor匹配的站点、14个历史页面上，它的像素相似度、SSIM和文本F1三项聚合指标都更高，盲审为12胜2平0负；用其5856条交互轨迹微调Qwen3.5-9B后，REAL成功率提高9.9个百分点。
深度剖析
真实网站现在可以由一条全自动流水线转成可执行、可重置的本地环境，供视觉网页智能体反复探索、改状态和从错误中恢复。 此前的可控环境要么靠人机协作逐站搭建镜像，要么从规格生成、与指定真实站点存在偏差，要么靠抓取回放、交互范围受已抓内容限制。 资源池共244个网站制品，覆盖14个应用领域和53个类别，支撑12984个已执行并通过验收的任务；在85个站点的历史构建记录中，初始配置与授权之后没有逐站人工实现、调试或修复的记录。
构建与验收被拆成两个独立环节：一个探索—构建器从浏览器可见的结构、资源和动作前后状态重建页面，另一个独立验证器在冻结的候选上重新执行检查。 构建器自检可能漏掉与源站不一致的缺陷，而一处差异究竟来自实现错误还是观测不足，需要不同的处理动作。 验证器不能修改候选代码，按证据是否充分把差异分派给局部修复或定向重抓；在229对历史构建—验证报告中，219对通过构建器自检，独立验证在其中39对、跨22个站点上给出有证据支撑的差异。
重建出的环境能直接产出训练数据，并迁移到外部网页智能体基准上。 此前缺少的是既有源站对应关系、又能重复执行的真实网站环境供给。 在5856条交互轨迹上微调Qwen3.5-9B，REAL在91个双方均有效的任务上成功率从22/91升到31/91，即提高9.9个百分点；Odysseys-Easy的Rubric Avg和Task Avg分别提高6.25和6.32个百分点，WebArena-Verified在固定执行框架下Overall提高13.33个百分点。
启示与展望
已展示的范围是244个网站制品、14个领域、53个类别与12984个已执行并通过验收的任务，质量对比限于5个WebHarbor站点14个历史状态和5个VeriEnv制品，训练验证限于Qwen3.5-9B在REAL、Odysseys-Easy与WebArena-Verified上的前后对比。
训练实验主要覆盖9B参数规模，未系统评估更大基础模型、其他后训练方法或更大训练预算；系统只在特定时刻重建并验证源站状态，未系统评估本地镜像的时效性与源站持续变化下的长期维护成本；高保真重建还涉及内容授权与合规约束。