螞蟻集團全模態代碼算法團隊自研多模態Web GUI Agent：OpAgent

為應對真實 Web 環境的非結構化復雜性、時序不穩定性與交互隱式邏輯等挑戰， 螞蟻集團全模態代碼算法團隊 提出了一套結合了多任務微調、在線強化學習與模塊化協作的綜合解決方案： OpAgent。

OpAgent 通過層次化多任務微調 (MT-SFT) 構建具備規劃、行動和定位能力的視覺語言模型（VLM）基座；繼而，在自建的在線交互環境中，利用創新的混合獎勵機制進行在線強化學習（Online RL） ，有效緩解了離線訓練帶來的分布偏移問題；最后，通過一個包含規劃器、定位器、反思器和總結器的模塊化智能體架構，實現對復雜長時程任務的魯棒執行與自我修正。

在權威 Web 智能體評測基準 WebArena 上，OpAgent 以 71.6% 的成功率于 2026 年 1 月取得了榜單第一的 SOTA 成績。

GitHub:https://github.com/codefuse-ai/OpAgent

Hugging Face:https://huggingface.co/codefuse-ai/OpAgent

ModelScope:https://modelscope.cn/models/codefuse-ai/OpAgent-32B

Technical Report:https://github.com/codefuse-ai/OpAgent/blob/main/technical_report/OpAgent.pdf

一、背景與挑戰

自主Web智能體旨在模擬人類在圖形用戶界面（ GUI ）上執行任務，其在自動化測試、數據采集、智能助理等領域具有廣闊應用前景。然而，相較于 PC 或移動端環境，Web 環境呈現出獨特的挑戰：

• 非結構化復雜性：網頁的 DOM 樹結構龐大且充滿噪聲，傳統基于 HTML 或 DOM 解析的方法難以有效提取關鍵信息，容易被冗余內容干擾。

• 時序不穩定性：網頁內容是動態的，異步加載、實時更新和臨時性元素（如彈窗）使得環境狀態頻繁變化。依賴靜態離線數據集訓練的模型在部署于真實動態環境時，會面臨嚴重的分布偏移( Distributional Shift ）問題。

• 交互的隱式邏輯：許多 Web 交互（如懸停觸發菜單）依賴實時的視覺反饋來確認操作的成功與否，這種閉環交互邏輯是離線學習范式無法有效建模的。

為應對上述挑戰，我們設計并實現了 OpAgent 框架，其核心在于從依賴靜態數據向與真實環境動態交互的范式轉變。

二、OpAgent技術框架

OpAgent 的整體設計遵循一個分階段的優化路徑：首先通過多任務監督微調（ MT-SFT ）為模型注入基礎的 Web 交互能力，然后通過在線強化學習（ Online RL ）在真實環境中對策略進行迭代優化，最終在推理階段利用模塊化智能體架構（ Agentic Architecture ）執行復雜任務。

2.1 層次化多任務微調 (Hierarchical Multi-Task Fine-tuning)

為構建一個強大的視覺語言模型（ VLM ）基座，我們首先摒棄了對脆弱的 HTML 文本解析的依賴，轉而讓模型直接從視覺截圖（ Screenshot ）中感知和理解頁面布局。我們將 Web 智能體的基礎能力分解為三個維度：

• 規劃 ( Planning )：預測交互行為將導致的頁面狀態變遷。

• 行動 ( Acting )：基于當前頁面狀態，決策下一步所需執行的操作。

• 定位 ( Grounding )：在視覺上精確定位執行操作的UI元素坐標。

我們整合了包括 Mind2Web 、Aguvis 、UGround 在內的多個領域數據集，分別對上述三種能力進行訓練。為解決不同數據集樣本量級差異巨大（例如，百萬級 vs. 千級）可能導致的梯度主導問題，我們引入了基于有效樣本數 (Effective Number of Samples)的加權策略，動態調整各任務在訓練中的損失權重，確保模型在所有基礎能力上得到均衡發展。

2.2 真實環境在線強化學習 ( Online Agentic RL in the Wild )

在線學習是解決分布偏移問題的關鍵。為此，我們構建了一套支持在真實 Web 環境中進行大規模在線強化學習的系統。

1. 四層RL基礎設施：該系統分為決策層、執行層、基礎設施層和環境層。VLM 代理在決策層生成動作，通過 Playwright 引擎在執行層被解析并分發至分布式瀏覽器集群，與環境層中的真實網站（包括自部署的 WebArena 環境）進行交互，最終將包含截圖和 DOM 的觀測數據反饋回決策層，形成一個完整的閉環交互與數據采集流程。

2. 混合獎勵機制 ( Hybrid Reward Mechanism )：在沒有真值（ Ground-truth ）軌跡的真實環境中，如何為智能體的探索行為提供有效監督信號至關重要。我們設計了一種混合獎勵機制：

• 基于規則的決策樹 ( RDT ) 進行過程監督：為智能體的每一步提供即時反饋。該機制通過一系列規則判斷動作的有效性，如是否產生頁面視覺變化、是否點擊在可交互元素上等，對無效或冗余的動作給予懲罰。

• 基于 VLM 的 WebJudge 進行結果評估：在一條軌跡（ trajectory ）結束后，引入一個強大的 VLM 評估器 WebJudge ，從任務完成度、動作有效性和路徑效率三個維度對整個軌跡進行綜合評分，作為最終的稀疏獎勵信號。

這種結合了稠密過程獎勵和稀疏結果獎勵的機制，為模型在真實環境中的策略優化提供了穩定且全面的監督。

2.3 Operator Agentic 模塊化智能體架構

對于長時程、多步驟的復雜任務，單一模型的決策能力有限。我們因此設計了一個包含四個專業角色的模塊化協作架構，以提升任務執行的魯棒性和成功率。

模塊

核心職責

主要輸出

Planner

規劃器

任務分解與策略制定

語義化的步驟指令

Grounder

定位器

將語義指令映射到UI坐標

標準化的工具調用（Tool Call）

Reflector

反思器

驗證動作效果，監控任務進展

反思信號與中間筆記

Summarizer

總結器

綜合軌跡信息，生成最終答案

整合后的最終答案

該架構通過一個“規劃-執行-反思”的迭代循環運作：Planner 根據全局目標和當前狀態生成高層指令，Grounder 將其翻譯為具體動作并執行，Reflector 在動作后評估狀態變化并判斷是否需要重新規劃。這種機制實現了有效的錯誤檢測與自我修正。

三、實驗與結果

我們在多個基準上對 OpAgent 框架的各組件進行了充分評估。

單模型性能：

經過在線RL優化的單模型（ Qwen3-VL-32B-Thinking + RL-HybridReward-Zero ）在 WebArena 上取得了 38.1% 的成功率（ Pass@5 ），顯著超越了原始基線模型（ 27.4% ）以及其他采用類似 Test-Time Training ( TTT ) 策略的方法。

Pass@K 分析：

對比 RL 優化前后的模型在不同 Pass@K 下的表現，可以看到隨著嘗試次數 K 的增加，RL優化后模型的性能優勢愈發明顯，Pass@5 的絕對提升達到 10.66% 。這表明在線強化學習顯著增強了模型決策的魯棒性。

Agentic Architecture 性能：

最終，集成了所有優化的 OpAgent 整體框架（使用 Gemini-3-Pro 作為部分模塊后端，Qwen2.5-VL-MFT 作為 Grounder ），在 WebArena 上達到了 71.6% 的成功率，刷新了該基準的 SOTA 記錄，并登頂排行榜。

四、總結與展望

本文介紹了螞蟻全模態代碼算法團隊在 Web 智能體方向的最新研究成果 OpAgent 。通過在多任務微調、真實環境在線強化學習以及模塊化智能體架構等方面的探索，我們顯著提升了 Web 智能體在復雜動態環境中的任務執行能力，并在 WebArena 基準上取得了 SOTA 性能。

當前工作在實現高性能的同時，仍一定程度上依賴于精細的提示工程和多智能體的復雜編排。未來的研究方向將包括提升單模型內在的探索與泛化能力，以期減少對復雜框架的依賴，實現更加通用和高效的自主智能體。

我們是螞蟻集團智能平臺工程的全模態代碼算法團隊。團隊成立 3 年以來，在 ACL、EMNLP、ICLR、NeurIPS、ICML 等頂級會議發表論文 20 余篇，兩次獲得螞蟻技術最高獎 T-Star ，1 次螞蟻集團最高獎 SuperMA ，我們研發的 CodeFuse 項目連續兩年蟬聯學術開源先鋒項目。

團隊常年招聘研究型實習生，有志于 NLP、大模型、多模態、圖神經網絡的同學歡迎聯系 hyu.hugo@antgroup.com，期待與你一起，探索AI的無限可能！