UNIBROWSE: A Data-to-Agent Framework for Multimodal BrowseComp
Das Paper stellt UNIBROWSE vor, ein neuartiges Data-to-Agent-Framework, das umfassende Trainingsdaten generiert, die alle drei multimodalen Browsing-Informationsflussmuster abdecken, und ein explorationsbewusstes Reinforcement Learning einsetzt, um einen 35B-Skala-Agenten zu trainieren, der eine State-of-the-Art-Leistung auf Multimodal-BrowseComp-Benchmarks erzielt und sowohl sein Basemodell als auch führende Closed-Source-Agenten signifikant übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber anstatt nur ein paar Hinweise auf einem Notizblock zu lesen, müssen Sie zwischen einer Bibliothek, einem Fotoalbum und einem Live-Nachrichtenfeed hin- und herspringen. Das ist das, was eine „Multimodale BrowseComp“-Aufgabe ist: ein super-schwieriges Puzzle, bei dem ein KI-Agent Texte lesen, Bilder betrachten und Suchwerkzeuge nutzen muss, um eine Lösung zusammenzusetzen, die nicht einfach auf einer einzigen Webseite bereitliegt.
Lange Zeit waren die KI-Detektive, die wir trainiert haben, etwas einseitig. Sie waren gut darin, Text-Hinweise zu lesen oder ein Bild zu betrachten und dann Text zu lesen, um eine Antwort zu finden (wie das Sehen eines Fotos eines Hundes und die Suche nach „Welche Rasse ist das?“). Aber sie waren schlecht im Gegenteil: Text zu lesen, um herauszufinden, wonach man in einem Bild suchen muss (wie das Lesen einer Beschreibung eines seltsamen Gebäudes und die anschließende Suche nach einem Foto, um dessen Form zu bestätigen).
Die große Entdeckung: Der „UniBrowse“-Detektiv
Die Forscher hinter dieser Arbeit, ein Team der Universität Peking, haben ein neues Trainingssystem namens UNIBROWSE entwickelt. Betrachten Sie dies als ein super-intelligentes Trainingslager, das KIs endlich lehrt, alle drei Arten von Hinweisen zu handhaben:
- Nur Text: Nur das Lesen und Verknüpfen von Fakten.
- Bild-zu-Text: Mit einem Foto beginnen und die Geschichte dazu finden.
- Text-zu-Bild: Zuerst eine Geschichte lesen und dann nach dem passenden Foto suchen, um sie visuell zu beweisen.
Vorher deckten die meisten Trainingslager nur die ersten beiden Typen ab. Die Autoren argumentieren, dass das Ignorieren des dritten Typs (Text-zu-Bild) dazu führt, dass die KI für reale Szenarien, in denen man einen Fakt visuell verifizieren muss, nachdem man über ihn gelesen hat, „untertrainiert“ bleibt. Sie stellten auch fest, dass frühere Methoden so waren, als würde man versuchen, durch eine Stadt zu wandern, ohne Plan (was zu viel Rauschen und Fehlentscheidungen führt) oder indem man nur auf eine perfekte, künstliche Karte starrt (die nicht zum chaotischen echten Leben passt). UNIBROWSE behebt dies, indem es mit einer soliden „Karte“ (einem Wissensgraphen) beginnt, die KI dann aber aus dem Internet echte, Echtzeit-Beweise sammeln lässt, um sicherzustellen, dass die Hinweise real sind.
Der „Exploration“-Filter: Den Ballast abwerfen
Das ist der clevere Teil: Die Forscher erkannten, dass nicht alle Übungsaufgaben gleichwertig sind. Einige Probleme lassen sich nur auf eine einzige, langweilige Weise lösen, während andere den Agenten dazu zwingen, verschiedene Pfade auszuprobieren, zurückzukehalten und es erneut zu versuchen.
Um dies zu lösen, erfanden sie eine neue Metrik namens „Explorationsgrad“ (exploration degree). Stellen Sie sich vor, Sie bewerten die Hausaufgaben eines Schülers. Wenn alle Schüler die Matheaufgabe auf exakt dieselbe, einfache Weise lösen, lernt man nicht viel. Aber wenn einige Schüler versuchen, eine Abkürzung zu nehmen, andere stecken bleiben und zurückkehren und einige einen cleveren neuen Weg finden, dann findet das wahre Lernen statt.
Das Team nutzte diesen „Explorationsgrad“, um ihre Daten zu filtern. Sie warfen die langweiligen, einpfadigen Probleme weg und behielten nur die obersten 30 % der am meisten „explorativen“ Fragen. Dies machte ihr Reinforcement Learning (den Teil, in dem die KI durch Versuch und Irrtum lernt) viel effizienter, da es sich nur auf die Rätsel konzentrierte, die den Agenten wirklich dazu bringen, tief nachzudenken.
Das Ergebnis: Ein neuer Champion
Mit dieser Pipeline bauten sie einen 35-Milliarden-Parameter schweren KI-Agenten (ein sehr großes Gehirn). Sie haben nicht nur geraten, dass es funktionieren würde; sie haben es gegen fünf verschiedene, schwierige Benchmarks gemessen.
Die Ergebnisse waren beeindruckend. Ihr neuer Agent, Uni-Browse, erreichte eine durchschnittliche Genauigkeit von 54,4 über diese Tests hinweg.
- Dies ist ein Sprung von 10,5 Punkten gegenüber seinem Basismodell (Qwen3.5-35B-A3B), das bei 43,9 startete.
- Er schlug mehrere berühmte „Closed-Source“-Riesen (wie GPT-5 und Gemini-2.5 Pro), die etwa 42,9 bzw. 44,8 erreichten.
- Er übertraf sogar andere Open-Source-Modelle wie Kimi K2.5 (50,8).
Was sie nicht behaupten
Es ist wichtig zu wissen, was dieses Paper nicht sagt. Die Autoren merken vorsichtig an, dass UniBrowse zwar der beste Open-Source-Agent ist, den sie gesehen haben, aber immer noch nicht die absolut stärksten proprietären Systeme (wie Gemini-3.1 Pro, das 63,2 erreichte) geschlagen hat. Sie geben auch zu, dass ihr Agent auf das Surfen im öffentlichen Web mit Text und Bildern beschränkt ist; er kann noch keine interaktiven Websites, Videos oder Karten handhaben. Sie schlagen vor, dass größere Modelle und bessere Werkzeuge nötig sein könnten, um die verbleibende Lücke zu schließen, behaupten aber nicht, das gesamte Problem des KI-Browsing gelöst zu haben.
Das Fazit
Indem sie ein Trainingssystem entwickelten, das alle drei Arten von Hinweisen abdeckt (Text, Bild-zu-Text und Text-zu-Bild) und die langweiligen Übungsaufgaben herausfilterten, hat das UNIBROWSE-Team einen KI-Agenten geschaffen, der deutlich besser darin ist, komplexe, mehrstufige Rätsel im Internet zu lösen. Es ist ein solider Schritt nach vorn, der beweist, dass die Art und Weise, wie man einen Agenten trainiert, genauso wichtig ist wie die Größe seines Gehirns.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.