概要
本文介绍了一个名为MIND2WEB的数据集，用于开发和评估Web通用代理，可以使用自然语言输入指令，使之可以在任何复杂的网站上执行操作。
对比
前人缺陷：
现有的用于Web代理的数据集要么使用模拟网站，要么仅涵盖有限的网站和任务集，因此不适用于通用的Web代理。
本文优势：
MIND2WEB数据集包含来自137个网站、跨足31个领域的超过2,000个开放式任务，以及为这些任务收集的众包行动序列。MIND2WEB为构建通用Web代理提供了三个必要的要素：
- 多样化的领域、网站和任务
- 使用真实世界的网站而不是模拟和简化的网站
- 广泛的用户交互模式。
基于MIND2WEB，作者进行了首次尝试使用大型语言模型（LLMs）构建通用Web代理。
由于真实世界网站的原始HTML通常元素过多无法直接输入LLM，本文的方案为：先通过小型LM进行筛选，再输入到LLM中，可以显著提升模型的效果和效率。
MIND2WEB 数据集介绍
- 来自于真实网站的捕捉
- 涵盖领域广
- 网站的快照和交互捕获完全
任务定义
该数据集旨在使代理通过一系列操作完成特定任务
- 任务描述：是高级的，而不是避免了低级的、一步一步的指令。
操作序列：（目标元素，操作）->（目标元素，操作）-> ... ->（目标元素，操作）
- 三种常见操作：点击(包括悬停和按回车)、输入、选择
- 操作序列通常跨越一个站点的多个网页。
- 网页快照：HTML、DOM、HAR等过程信息
执行方式：逐步预测、执行，
input：当前网页、历史操作，output：接下来的操作 （有RNN的意思）
数据收集
数据通过亚马逊众包平台（Amazon Mechanical Turk）收集，主要分为三个阶段：
- 第一阶段-任务提出：首先要求工作者提出可以在给定网站上执行的任务。作者会仔细审核提出的任务，并选择在第二阶段进行注释的可行且有趣的任务。
- 第二阶段-任务演示：要求工作者演示如何在网站上执行任务。使用 Playwright 开发了一个注释工具，记录交互跟踪并在每个步骤中对网页进行快照。如图 2 所示，用红色标记的操作将导致转换到新网页。
- 第三阶段-任务验证：作者验证所有任务，以确保所有操作都是正确的，任务描述正确地反映了注释的操作。
与前人的比较 及 研究挑战
- 采用真实的网页，更符合实际
- 网页元素多、复杂度高，未进行人工简化
任务等级高，更接近日常使用
- 先前的研究通常提供逐步的指令，并主要关注测试代理将低级指令转化为操作的能力，例如，“在位置字段中输入纽约，单击搜索按钮并选择明天标签”
- 本文数据集只提供高级目标，例如，“纽约明天的天气如何？”
故这种数据集(Mind2Web)对于代理模型的训练及应用来说提出了很大的挑战。
MindAct 框架
为了使用Mind2Web数据集，引入了MindAct框架
由于原始HTML过大，直接输入到LLM中消耗资源过大，MindAct将此分为二阶段过程（如图三）
- 第一阶段：如图四，使用一个Small LM，从HTML中元素中筛选出几个候选元素
- 第二阶段：将候选元素合并成HTML片段传入到LLM进行最后预测(元素 + 操作)
Small LM 用于筛选；LLM用于预测
通过Small LM生成小模型
feature: Task Description + Previous Actions
target: Top-k Elements
通过LLM预测操作
LLM用于判别 比 生成更有效率
故LM被训练为从一系列选项中进行选择，而不是生成完整的目标元素
Divide the top-k candidates into multiple clusters of five options.
If more than one option is selected after a round,
Form new groups with the selected ones.
This process repeats until a single element is selected, or all
options are rejected by the model
test result：
为什么MindAct和两个baseline不使用相同的LLM以控制变量？
baseline1: Classfication，仅使用Debertab进行 元素 预测
baseline2: Generation，使用Flan-T5直接进行 元素+操作 的预测
实验
实验步骤
Test-Cross-Domain：使用不同的域名进行预测
Test-Cross-Website：使用同域的网站预测
TestCross-Task：使用相同的网站预测
数据预处理和评估
分别使用Element Accuracy、Operation F1、Step Success Rate、Success Rate对数据进行评估
实验结果
第一步候选生成
使用了微调的DeBERTa 作为Small LM，用于第一步的候选生成（For efficiency, use the base version DeBERTaB with 86M parameters.）
分别获得了88.9% / 85.3% / 85.7% 的recall
取k=50，即top-50用于下一步预测。
第二步操作预测
使用Flan-T5作为生成模型
尽管是大模型（220M for Flan-T5），但在元素选择方面表现先不佳
使用上述MindAct中使用的multi-choice QA formulation方法很有效
The best model achieves 52.0% step success rate under Cross-Task setting, and 38.9% / 39.6% when generalizing to unseen websites(Cross-Website) and domains(Cross-Domain).
However, the overall task success rate remains low for all models, as the agent often commits at least one error step in most cases.
Three Levels of Generalization
- 模型均在Cross-Task表现最佳、但在Cross-Website、Cross-Domain中低于Cross-Task 10%以上。由此可见，对于未见过的环境进行预测是目前最大的问题。
- 在图6中可见，Cross-Website、Cross-Domain中的表现很相近。就此可推断，首要问题在于网站的设计和交互逻辑、而不是域名特性。
- 对于网站之间的一些共同的操作，预训练语言模型已经有了可以解析复杂任务的能力。在具体环境中，将这些知识转化为可操作的步骤仍然是一个相当大的挑战。
In-context Learning with LLM
分别使用MINDACT的方法在GPT-3.5和GPT-4进行了测试，结果如下：
GPT-3.5表现不好，在元素选择正确率上仅有20%
GPT-4要稍好一些，与微调过的Flan-T5不相上下，表明用大语言模型在此有很大的潜力
但GPT-4运行成本很高，使用较小规模的模型是一个很好的发展方向
评论 (0)