AutoWebWorld: Synthesizing Infinite Verifiable Web Environments via Finite State Machines

यहाँ शोध पत्र "AutoWebWorld: Synthesizing Infinite Verifiable Web Environments via Finite State Machines" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

स्वायत्त वेब GUI एजेंट प्रशिक्षण के लिए उच्च-गुणवत्ता वाले इंटरैक्शन ट्रेजेक्टरीज (interaction trajectories) पर बहुत अधिक निर्भर करते हैं। हालाँकि, मौजूदा डेटा संग्रह विधियों को एक गंभीर "वेरिफायर बॉटलनेक" (verifier bottleneck) का सामना करना पड़ता है:

• छिपी हुई अवस्था परिवर्तन (Hidden State Transitions): वास्तविक वेबसाइटों में, एजेंट केवल रेंडर किए गए UI फीडबैक (स्क्रीनशॉट) को देखता है। वास्तविक आंतरिक अवस्था (जैसे कार्ट की सामग्री, डेटाबेस अपडेट) छिपी रहती है, जिससे यह निर्धारित रूप से सत्यापित करना असंभव हो जाता है कि कोई क्रिया सफल हुई या नहीं।
• बाहरी सत्यापनकर्ताओं पर निर्भरता (Reliance on External Verifiers): वर्तमान पाइपलाइन मानव एनोटेटरों या LLM जजों पर निर्भर करती है जो सतही अवलोकनों से आंतरिक अवस्थाओं का अनुमान लगाते हैं। यह प्रक्रिया महंगी (costly), असंगत (inconsistent) (विभिन्न जज असहमत होते हैं) और धीमी (slow) है, जो उच्च-गुणवत्ता वाले प्रशिक्षण डेटा के विस्तार को रोकती है।
• डेटा की कमी (Data Scarcity): सत्यापन की कठिनाई प्रशिक्षण डेटा की मात्रा को सीमित करती है, जिससे मजबूत, लॉन्ग-होरिज़न (long-horizon) वेब एजेंटों का विकास बाधित होता है।

2. कार्यप्रणाली: AutoWebWorld

लेखक AutoWebWorld प्रस्तावित करते हैं, जो एक ऐसा फ्रेमवर्क है जो फाइनाइट स्टेट मशीनों (FSMs) के रूप में मॉडलिंग करके नियंत्रणीय और सत्यापन योग्य वेब वातावरण का संश्लेषण करता है। मुख्य दर्शन वास्तविक साइटों पर स्टोकेस्टिक अन्वेषण (stochastic exploration) से हटकर एक ज्ञात, नियतात्मक (deterministic) स्टेट ग्राफ पर व्यवस्थित खोज की ओर जाना है।

यह पाइपलाइन चार मुख्य चरणों से मिलकर बनी है (चित्र 2 में दर्शाया गया है):

A. FSM जनरेशन (Multi-Agent Loop)

वातावरण को हार्ड-कोड करने के बजाय, AutoWebWorld एक वेब थीम (जैसे, "GitHub" या "Gmail") के आधार पर FSM विनिर्देशों को उत्पन्न करने के लिए एक मल्टी-एजेंट सिस्टम का उपयोग करता है:

1. FSM प्रपोजर (FSM Proposer): एक उम्मीदवार FSM तैयार करता है जो पेजों, स्टेट सिग्नेचर (वैरिएबल्स जैसे फिल्टर, कार्ट आइटम्स), क्रियाओं और ट्रांजिशन नियमों को परिभाषित करता है।
2. FSM वैलिडेटर (FSM Validator): पहुंच योग्यता (reachability), तार्किक निरंतरता और वास्तविक वेब व्यवहार के साथ संरेखण सुनिश्चित करने के लिए स्वचालित जाँच करता है।
3. FSM इप्रूवर (FSM Improver): यदि वैलिडेशन विफल रहता है, तो यह एजेंट विशिष्ट त्रुटि रिपोर्टों के आधार पर FSM में संशोधन करता है।

• परिणाम: एक कठोर fsm.json जो सभी अवस्थाओं ($S$), क्रियाओं ($A$) और नियतात्मक संक्रमणों ($T$) को स्पष्ट रूप से परिभाषित करता है।

B. वेब वातावरण संश्लेषण (Web Environment Synthesis)

एक कोडिंग एजेंट (Gemini3-Pro) मान्य FSM को एक चलने योग्य फ्रंट-एंड वेबसाइट (Vue/React) में अनुवादित करता है:

• चरण 1: प्रोजेक्ट दिशानिर्देश और स्कैफोल्डिंग (scaffolding) तैयार करता है।
• चरण 2: प्रत्येक पेज के लिए Vue कंपोनेंट्स का संश्लेषण करता है, जो FSM के स्टेट वेरिएबल्स और UI चयनकर्ताओं (selectors) को लागू करते हैं।
• चरण 3 और 4: प्रोजेक्ट का निर्माण करता है और यदि बिल्ड एरर आते हैं तो सेल्फ-रिपेयर (Self-Repair) लूप करता है, यह सुनिश्चित करते हुए कि अंतिम वातावरण कड़ाई से FSM तर्क का पालन करता है।

C. स्वचालित ट्रेजेक्टरी संग्रह (Automatic Trajectory Collection - BFS)

रैंडम एक्सप्लोरेशन के बजाय, सिस्टम FSM ग्राफ पर ब्रेडथ-फर्स्ट सर्च (BFS) करता है:

• नियतात्मक विस्तार (Deterministic Expansion): सिस्टम केवल उन क्रियाओं का विस्तार करता है जिनके प्री-कंडीशन वर्तमान अवस्था में पूरे होते हैं।
• लक्ष्य पहुंच (Goal Reachability): यह टर्मिनल (लक्ष्य) अवस्थाओं तक के सबसे छोटे पथों की पहचान करता है।
• ग्राउंडिंग (Grounding): प्रत्येक FSM क्रिया को संश्लेषण के दौरान परिभाषित अद्वितीय CSS चयनकर्ताओं का उपयोग करके परमाणु GUI ऑपरेशन्स (क्लिक, टाइप) के पूर्व-निर्धारित अनुक्रम में मैप किया जाता है।

D. निष्पादन-आधारित फ़िल्टरिंग (Execution-Based Filtering)

यह सुनिश्चित करने के लिए कि सिंथेसाइज्ड वेबसाइट FSM तर्क से पूरी तरह मेल खाती है:

• सिस्टम Playwright का उपयोग करके सिंथेसाइज्ड वेबसाइट पर BFS-जनरेटेड एक्शन सीक्वेंस को दोबारा चलाता (replay) है।
• सख्त फ़िल्टरिंग (Strict Filtering): कोई भी ट्रेजेक्टरी जो एक स्टेप निष्पादित करने में विफल रहती है (जैसे, एलिमेंट नहीं मिला, गलत स्टेट ट्रांजिशन), उसे हटा दिया जाता है।
• क्वेरी जनरेशन (Query Generation): वैध ट्रेजेक्टरीज को एक LLM (DeepSeek-V3.2) द्वारा उत्पन्न प्राकृतिक भाषा प्रश्नों के साथ जोड़ा जाता है।

3. मुख्य योगदान (Key Contributions)

1. AutoWebWorld फ्रेमवर्क: सिंथेटिक वेब वातावरण के संश्लेषण के लिए एक नया प्रतिमान जहाँ अवस्था परिवर्तन स्पष्ट रूप से अवलोकन योग्य और प्रोग्रामेटिक रूप से सत्यापन योग्य हैं, जो बाहरी जजों की आवश्यकता को समाप्त करता है।
2. स्केलेबल डेटा जनरेशन: लेखकों ने 29 विविध सिंथेटिक वेब वातावरण और 11,663 सत्यापित ट्रेजेक्टरीज जारी किए हैं।
   • लागत दक्षता: प्रति ट्रेजेक्टरी लागत घटकर **$0.04** रह गई है, जबकि वास्तविक दुनिया के डेटा के लिए यह$0.15–$1.00 है।
   • गुणवत्ता: ट्रेजेक्टरीज स्वाभाविक रूप से सत्यापित हैं, जो अंतर्निहित तर्क की 100% शुद्धता सुनिश्चित करती हैं।
3. स्केलिंग लॉ की खोज (Scaling Law Discovery): शोध पत्र दिखाता है कि सिंथेटिक डेटा की मात्रा बढ़ाने से वास्तविक दुनिया के बेंचमार्क पर निरंतर प्रदर्शन सुधार होता है, जो GUI एजेंटों के लिए एक स्पष्ट स्केलिंग लॉ स्थापित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने अपने सिंथेटिक डेटा (GRPO प्रशिक्षण के माध्यम से) के केवल 16,000 स्टेप्स का उपयोग करके एक 7B पैरामीटर वाला वेब GUI एजेंट (Qwen2.5-VL पर आधारित) प्रशिक्षित किया।

• WebVoyager बेंचमार्क:
  • Ours-7B मॉडल ने 15 स्टेप्स के भीतर 27.42% सफलता दर प्राप्त की।
  • इसने सभी ओपन-सोर्स बेसलाइन्स (जैसे, UI-TARS-1.5-7B @ 26.51%, Qwen2.5-VL-7B @ 5.62%) को पीछे छोड़ दिया और कुछ बड़े फ्रंटियर मॉडल्स को भी पछाड़ दिया।
  • विशेष रूप से, इस डेटा पर प्रशिक्षित 3B मॉडल (15.09%) ने कई 7B+ बेसलाइन्स से बेहतर प्रदर्शन किया, जो अंतर्निहित रूप से सत्यापित ट्रेजेक्टरीज की डेटा दक्षता (data efficiency) को उजागर करता है।
• ग्राउंडिंग बेंचमार्क (ScreenSpot-V2/Pro):
  • AutoWebWorld डेटा पर प्रशिक्षण से ग्राउंडिंग सटीकता (UI तत्वों को खोजना) में ScreenSpot-V2 पर +4.01% (3B) और +1.33% (7B) की वृद्धि हुई, और ScreenSpot-Pro पर महत्वपूर्ण लाभ हुआ।
• स्केलिंग विश्लेषण:
  • WebVoyager और Online-Mind2Web पर प्रदर्शन लगातार सुधरा क्योंकि प्रशिक्षण डेटा का आकार 8 से बढ़कर 16,253 नमूने हो गया, जो पुष्टि करता है कि सिंथेटिक डेटा प्रभावी रूप से स्केल होता है।
• एब्लेशन स्टडी (Ablation Study):
  • ग्राउंडिंग डेटा (कोऑर्डिनेट-लेवल सुपरविजन) को शामिल करना महत्वपूर्ण था। हालांकि इसे हटाने से शुरू में मामूली रिवॉर्ड उछाल दिखा, लेकिन इससे प्रदर्शन का स्तर (plateau) कम रहा, जो साबित करता है कि स्थिर लॉन्ग-होरिज़न प्लानिंग के लिए कोऑर्डिनेट ग्राउंडिंग आवश्यक है।

5. महत्व और प्रभाव (Significance and Impact)

• वेरिफायर बॉटलनेक को हल करना: सत्यापन को वातावरण के अंदर (FSMs के माध्यम से) ले जाकर, AutoWebWorld महंगे और असंगत मानव/LLM जजों पर निर्भरता को समाप्त करता है।
• लागत प्रभावी स्केलिंग: यह फ्रेमवर्क वास्तविक दुनिया के संग्रह की तुलना में बहुत कम लागत पर अनंत, उच्च-गुणवत्ता वाले प्रशिक्षण डेटा को उत्पन्न करने में सक्षम बनाता है, जिससे GUI एजेंटों के लिए फाउंडेशनल मॉडल्स को प्रशिक्षित करना संभव हो जाता है।
• पुनरुत्पादक बेंचमार्किंग (Reproducible Benchmarking): सिंथेसाइज्ड वातावरण ज्ञात ग्राउंड ट्रुथ के साथ स्थिर, नियंत्रणीय बेंचमार्क के रूप में कार्य करते हैं, जिससे समय के साथ एजेंट क्षमताओं का निष्पक्ष और सुसंगत मूल्यांकन संभव होता है।
• भविष्य की दिशा: शोध पत्र सुझाव देता है कि वेब एजेंटों के लिए प्राथमिक बाधा अब डेटा की मात्रा नहीं बल्कि मॉडल की तर्क क्षमता (reasoning capability) है, क्योंकि "सोचने" के ट्रेसेस (thinking traces) को जेनरेट करने की लागत बजट पर हावी होती है, न कि वातावरण जनरेशन पर।

निष्कर्षतः, AutoWebWorld "संग्रह करने और अनुमान लगाने" से "संश्लेषण करने और सत्यापित करने" की ओर एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है, जो अगली पीढ़ी के स्वायत्त वेब एजेंटों के लिए एक स्केलेबल, कम लागत वाला आधार प्रदान करता है।