开源即SOTA！Avenir-Web框架让网页智能体成功率飙升23.7%，三大模块破解长程任务难题

导语：Avenir-Web开源框架让网页智能体成功率飙升23.7%，三大模块破解长程任务难题，无需训练即可使用。

伦敦大学学院（UCL）、普林斯顿大学和爱丁堡大学的研究团队联合推出了 Avenir-Web，这是一套让多模态模型像人类一样使用网页的开源 Agent Harness 框架。在 ONLINE-MIND2WEB 基准上，它取得了 53.7% 的成功率，刷新了开源纪录，甚至超越了部分闭源商业方案。

Web Agent 的三大难题

研究团队指出，当前 Web Agent 在实际部署中面临三个核心瓶颈：

• 元素定位不准：过度依赖 DOM 树，在处理 Canvas、嵌套 iframe 等非标准结构时极易失效。
• 缺乏特定站点的流程知识：Agent 不懂得参考“用户手册”或“攻略”，只能盲目探索。
• 长程任务记忆不稳定：跨页面操作时容易产生“导航漂移”，陷入重复错误循环。

针对这些痛点，Avenir-Web 提出了一个模块化的 Agent Harness 框架，无需重新训练模型，即插即用。

Avenir-Web 核心模块设计

EIP 经验模仿模块：先读攻略再上手

人类操作复杂网站时往往会先搜索攻略。EIP 模块模仿了这一行为：在任务开始前，利用大模型的在线搜索能力检索目标网站的帮助中心、论坛或指南，将其转化为高层级的策略路线图。这大幅减少了盲目探索时间，规避了不可逆的导航错误。

MoGE 混合定位模块：视觉优先，兼容嵌套结构

MoGE 采用“视觉优先”原则，将整个网页视为统一视觉画布，直接基于坐标交互，天然解决了 iframe 嵌套问题。当视觉信息不足时，触发语义结构推理作为兜底方案，形成“视觉坐标+语义兜底”的混合策略，大幅提升了鲁棒性。

自适应记忆模块：结构化检查点与递归摘要

为防止 Agent “跑偏”，框架引入了任务清单，将复杂指令分解为 2-6 个可验证的原子里程碑，每一步操作后用轻量模型（如 Qwen-3-VL-8B）实时更新状态（Pending、In Progress、Completed、Failed）。针对长上下文引起的幻觉问题，采用分块递归摘要机制，维持滑动窗口将历史操作提炼为抽象记忆，并设置“失败反思缓冲区”确保从错误中学习。

性能实测：开源 SOTA，逼近顶尖商业方案

研究团队在 ONLINE-MIND2WEB（涵盖 136 个真实网站、300 个实时任务）上测试。以 Gemini 3 Pro 为内核的 Avenir-Web 取得了 53.7% 的成功率，相比开源标杆 SeeAct（30.0%）提升 23.7%，并且超越了闭源 Claude Computer Use 3.7（47.3%）和 ACT-1（52.7%），逼近 OpenAI Operator（58.3%）。

即使使用完全开源且轻量的 Qwen-3-VL-8B 作为内核，也取得了 25.7% 的成功率，接近早期基于 GPT-4o 的重型 Agent（如 Browser Use 26.0%、Agent-E 27.0%），证明了轻量模型同样具备实战价值。

消融实验揭示各模块贡献

• 去除 EIP 模块后，成功率从 48.0% 骤降至 36.0%，暴跌 12.0%，说明外部知识对 Web 任务至关重要。
• 去除 MoGE 后，成功率从 48.0% 降至 40.0%。
• 去除自适应记忆后，成功率进一步降至 42.0% 甚至 36.0%，定位与记忆模块均不可或缺。

尤其对于长程任务，递归摘要机制有效避免了上下文溢出带来的决策混乱。

开源与未来

研究团队表示，Avenir-Web 为具备人类级可靠性的通用数字助理迈出了坚实一步。该项目已开源（论文 | 代码），开发者无需训练新模型即可将其用于自动化、软件测试及智能助手等场景。