مقاله‌ی arXiv:2610.06829 · منتشرشده در کانال
CLIFT: Conformal Self-Verification for Web Agent Training and Test-Time Scaling
کلیفت: خودتأییدی هم‌دیس برای آموزش ایجنت‌های وب و مقیاس دادن زمان آزمون
- تاریخ
- (۱۳ مهر ۱۴۰۵) 2026-10-05 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Yifan Zhang, Yutong Dai, Viraj Prabhu, Zhiyuan Hu, Ran Xu, Zeyuan Chen
- نهاد نویسنده‌ها
- Salesforce AI Research
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
ایجنت‌های وب متن‌باز حالا برای اجرای تسک‌های واقعی مرورگر به اندازه‌ی کافی قوی‌اند، اما آموزششان با یادگیری تقویتی هنوز به نظارت ضعیف وابسته است: موفقیت دودویی تسک برای اعتباردهی بیش از حد پراکنده است و داورهای مدل پیشرو برای هر گام گران‌اند و در استقرار هم در دسترس فرض نمی‌شوند.
روش
در روش CLIFT ایجنت در آموزش به پرسش‌های تأییدی زبان طبیعی درباره‌ی اجراهای خودش پاسخ می‌دهد. یک گواهی‌دهنده‌ی هم‌دیس ترکیبی فقط سیگنال پرسش‌هایی را نگه می‌دارد که شواهدشان، مشروط به نشانی صفحه، با داور زمان آموزش توافق دارد، به آن‌ها وزن اعتماد علامت‌دار می‌دهد و امتیاز تأییدکننده را طوری در پاداش هر گام ترکیب می‌کند که هرگز از پایه‌ی داور کم نکند. در زمان آزمون همان بانک گواهی‌شده منجمد می‌شود: ایجنت یک اجرای حریصانه و چند تلاش متنوع نمونه‌گیری می‌کند و یک قاعده‌ی رأی اکثریت محافظه‌کار بدون داور بیرونی تصمیم می‌گیرد آیا از گزینه‌ی فعلی جابه‌جا شود.
یافته‌ها
- روی WebArena Infinity بین ایجنت‌های وب متن‌باز بهترین کارایی را گرفت.
- روی VisualWebArena، بانکی که با مدل باز آموزش دیده بود در زمان آزمون به GPT-5.5 منتقل شد و زیر هارنس استاندارد به بهترین کارایی رسید.
- روی Online Mind2Web، بدون آموزش ایجنت روی این بنچمارک، ترجمه‌ی بانک پرسش‌های گواهی‌شده یک ایجنت وب زنده را در ارزیابی بدون آموزش بهتر کرد.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ نویسنده‌ها اشاره می‌کنند در وب زنده داور پرنویزتر است و پرسش‌های بیشتری گواهی نمی‌شوند.
چرا مهم است
داورهای گران مدل پیشرو گلوگاه آموزش ایجنت‌های وب‌اند. این کار نشان می‌دهد می‌شود بازخورد گران داور را یک‌بار به یک تأییدکننده‌ی ارزان و قابل استفاده‌ی مجدد تبدیل کرد.