为Web Agent提出插件式决策头方法

Chengguang Gan等作者发表论文，为基于视觉语言模型的 Web 智能体提出一种插件式决策头：直接从前向传播的隐藏状态读出动作类型与目标元素，动作类型由决策头预测，目标元素通过汇集每个编号框内的视觉 token 选取，并指向列出的文本选项或 WRITE 槽位，把新文本的书写留给生成器。 该方法被加在冻结的生成器上，作者称这样可避免相关成本；训练在 213k 网页步骤上进行，使用 Qwen3-VL 4B 和 8B。作者还提出置信级联：决策头确信时执行其动作，否则让生成器从同一次前向传播的 KV 缓存解码。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。