तकनीकी सारांश: कौशल निष्कर्षण (Skill Distillation) के माध्यम से ब्राउज़र पर स्केलेबल बिहेवियर क्लोनिंग

1. समस्या विवरण (Problem Statement)

यह शोध पत्र समकालीन वेब एजेंटों में एक महत्वपूर्ण बाधा की पहचान करता है: जबकि आधुनिक मॉडलों ने निम्न-स्तरीय ब्राउज़र संचालन (DOM पार्स करना, क्लिक और कीस्ट्रोक्स निष्पादित करना) को काफी हद तक हल कर लिया है, वे अपूर्ण सूचना के तहत निर्णय लेने (decision-making under incomplete information) के कारण वास्तविक दुनिया की वेबसाइटों पर अक्षम बने हुए हैं। एजेंट केवल वर्तमान पृष्ठ की स्थिति देखते हैं, उनके पास साइट संरचना, विश्वसनीय प्रवेश बिंदु, पथ लागत और पूर्णता संकेतों का वैश्विक ज्ञान नहीं होता है। फलस्वरूप, सक्षम एजेंट अक्सर महंगी 'ट्रायल-एंड-एरर' (प्रयास और त्रुटि) खोज का सहारा लेते हैं।

लेखकों का तर्क है कि आवश्यक निर्णय पूर्व-धारणाएं (decision priors) मानव व्यवहार में प्रचुर मात्रा में उपलब्ध हैं, लेकिन वर्तमान में उनका पर्याप्त दोहन नहीं किया जा रहा है। कच्चे मानव ब्राउज़र ट्रेसेस (traces) प्रत्यक्ष पर्यवेक्षण के लिए खराब इकाइयाँ हैं क्योंकि वे लंबे, शोर वाले, अनावश्यक और परिवर्तनशील पृष्ठ अवस्थाओं (जैसे विशिष्ट निर्देशांक, क्षणिक DOM ID, लॉगिन अवस्था) से मजबूती से जुड़े होते हैं। इन निम्न-स्तरीय क्रियाओं का सीधे क्लोनिंग करने से भंगुर और पृष्ठ-विशिष्ट व्यवहार उत्पन्न होते हैं जो अज्ञात वेबसाइटों पर स्थानांतरित होने में विफल रहते हैं। अतः मुख्य समस्या यह है कि इन विशाल, शोर वाले मानव इंटरैक्शन लॉग्स को पुन: प्रयोज्य, हस्तांतरणीय प्रक्रियात्मक ज्ञान (reusable, transferable procedural knowledge) में कैसे बदला जाए जिसे एजेंट अपरिचित वेबसाइटों पर लागू कर सकें।

2. कार्यप्रणाली: BrowserBC

लेखक BrowserBC का प्रस्ताव करते हैं, जो एक स्केलेबल फ्रेमवर्क है जो कौशल निष्कर्षण (skill distillation) के माध्यम से ब्राउज़र इंटरैक्शन ट्रेसेस को एक खोजने योग्य, संयोजी और निष्पादनीय प्राकृतिक-भाषा कौशल लाइब्रेरी में परिवर्तित करता है। यह फ्रेमवर्क चार अलग-अलग चरणों के माध्यम से कार्य करता है:

3.1 व्यवहारिक साक्ष्य अमूर्तीकरण (Behavioral Evidence Abstraction)

कच्चे प्रक्षेपवक्रों ($\tau$) को पहले साफ और अर्थपूर्ण रूप से खंडित किया जाता है। सिस्टम गैर-योगदान वाली अंतःक्रियाओं (गलत क्लिक, निष्क्रिय प्रतीक्षा) और परिवर्तनशील आर्टिफैक्ट्स (निर्देशांक, विशिष्ट चयनकर्ता) को फ़िल्टर करता है। शेष डेटा को संरचित साक्ष्य इकाइयों (evidence units) ($u$) में परिवर्तित किया जाता है, जो कैप्चर करती हैं:

• कार्य निर्देश ($x$)।
• खंड से पहले और बाद के संदर्भ सारांश ($c_{pre}, c_{post}$)।
• प्रदर्शित व्यवहार का सारांश ($b$)।
• देखी गई प्रतिक्रिया ($f$) और परिणाम ($y$)।
  यह चरण डेटा को पृष्ठ-विशिष्ट क्रिया ट्रेसेस से सामान्यीकरण योग्य प्रक्रियात्मक साक्ष्य में ऊपर उठाता है।

3.2 प्रक्रियात्मक कौशल निष्कर्षण (Procedural Skill Distillation)

साक्ष्य इकाइयों को संरचित प्राकृतिक-भाषा कौशल कार्डों ($\hat{s}$) में निष्कर्षित किया जाता है। एक कौशल को केवल एक 'रीप्ले स्क्रिप्ट' के रूप में नहीं, बल्कि एक हस्तांतरणीय प्रक्रिया के रूप la परिभाषित किया गया है जिसमें विशिष्ट क्षेत्र शामिल हैं:

• इरादा (Intent): कौशल क्या हासिल करता है।
• अनुप्रयोग (Applicability): यह कब और कहाँ लागू होता है (पूर्व-शर्तें)।
• निष्पादन चरण (Execution Steps): सामान्यीकृत प्रक्रियाएं (जैसे, "सेमेंटिक लेबल द्वारा फ़ील्ड की पहचान करें" न कि "निर्देशांक X,Y पर क्लिक करें")।
• प्रगति मील के पत्थर और समाप्ति (Progress Milestones & Termination): प्रगति को कैसे सत्यापित करें और कब रुकें।
• विफलता रिकवरी (Failure Recovery): सामान्य त्रुटियों को संभालने की रणनीतियां।
• नकारात्मक बाधाएं (Negative Constraints): क्या नहीं करना है।

महत्वपूर्ण रूप से, निष्कर्षण प्रक्रिया स्पष्ट रूप से सत्र-विशिष्ट विवरणों (निर्देशांक, लॉगिन अवस्था) को हटा देती है ताकि यह सुनिश्चित हो सके कि कौशल मॉडल-अज्ञेयवादी (model-agnostic) और हस्तांतरणीय है।

3.3 कौशल-पुस्तिका निर्माण (Skill-Library Construction - Skill Graph)

अनियंत्रित संचय और अतिरेक (redundancy) को रोकने के लिए, सिस्टम कौशलों को एक स्किल ग्राफ ($G$) में व्यवस्थित करता है। जब एक नया कौशल उत्पन्न होता है, तो सिस्टम निर्णय लेता है कि क्या:

• इसे एक नए प्रविष्टि के रूप में जोड़ना है।
• इसे एक मौजूदा संगत कौशल के साथ मर्ज करना है।
• इसे एक सामान्य कौशल के विशेषज्ञता (specialization) के रूप में पंजीकृत करना है।
  ग्राफ के किनारे (edges) अस्थायी निर्भरता, विशेषज्ञता, वैकल्पिक प्रक्रियाएं या असंगति जैसे संबंधों को एनकोड करते हैं। यह पुस्तकालय को केवल संचय के बजाय समेकनीकरण (consolidation) के माध्यम से बढ़ने की अनुमति देता है, जिससे पुनर्प्राप्ति और अपडेट स्थानीयकृत रहते हैं।

3.4 कौशल-सशर्त निष्पादन (Skill-Conditioned Execution)

अनुमान (inference) के समय, एक हल्का रिट्रीवर वर्तमान कार्य और ब्राउज़र संदर्भ के आधार पर प्रासंगिक कौशलों का एक संक्षिप्त उपसमूह ($R_t$) चुनता है। इन कौशलों को एजेंट के संदर्भ में प्राकृतिक-भाषा मार्गदर्शन के रूप में डाला जाता है। एजेंट फिर इन उच्च-स्तरीय निर्देशों को लाइव पेज पर निष्पादने योग्य क्रियाओं में ग्राउंड (ground) करता है। कौशल कैलिब्रेटेड प्रायर्स (calibrated priors) के रूप में कार्य करते हैं जो एजेंट के निर्णय लेने को पक्षपाती बनाते हैं, लेकिन वर्तमान स्थिति के प्रति एजेंट की अनुकूलन क्षमता को ओवरराइड नहीं करते हैं।

3. प्रमुख योगदान

1. बाधा का पुनर्गठन: यह शोध पत्र वेब एजेंटों की अक्षमता को अपूर्ण सूचना के तहत निर्णय लेने की समस्या के रूप में पुन: परिभाषित करता है, और मानव ट्रेसेस को बड़े पैमाने पर निर्णय डेटा के स्रोत के रूप में पहचानता है जहाँ पुन: प्रयोज्य इकाई एक हस्तांतरणीय प्राकृतिक-भाषा कौशल है, न कि एक क्लिक या पूर्ण प्रक्षेपवक्र।
2. BrowserBC फ्रेमवर्क: एक स्केलेबल सिस्टम जो ट्रेसेस को संरचित कौशल कार्डों में निष्कर्षित करता है, उन्हें कौशल ग्राफ में समेकित करता है, और कौशल उत्पत्ति (provenance) को निष्पादन से अलग करता है। यह अनुभव को (एक सक्षम मॉडल या मानव द्वारा) एक बार रिकॉर्ड करने के बाद छोटे, सस्ते मॉडलों द्वारा पुन: उपयोग करने की अनुमति देता है।
3. व्यापक मूल्यांकन: लेखक तीन बेंचमार्क (WebArena-Hard, ClawBench, और OSWorld-शैली के डेस्कटॉप कार्य) पर BrowserBC का मूल्यांकन करते हैं, जिसमें सफलता दर, इंटरैक्शन दक्षता, विफलता रिकवरी और क्रॉस-सबस्ट्रेट सामान्यीकरण को मापा जाता है।

4. प्रयोगात्मक परिणाम

फ्रेमवर्क का तीन बेंचमार्क पर मूल्यांकन किया गया:

• WebArena-Hard (नियंत्रित): BrowserBC ने समग्र कार्य सफलता को 60.5% से बढ़ाकर 81.4% (+20.9 अंक) कर दिया। लाभ सबसे अधिक मल्टी-साइट और शॉपिंग कार्यों में देखे गए (+31.2% और +28.6% क्रमशः), जहाँ प्रक्रियात्मक अनिश्चितता उच्च होती है। इंटरैक्शन स्टेप्स औसतन 27.3% कम हो गए।
• ClawBench (लाइव प्रोडक्शन): अस्थिर लेआउट वाली लाइव वेबसाइटों पर, बेसलाइन ने 32.9% कार्यों को हल किया, जबकि BrowserBC ने 68.4% कार्य हल किए (+35.5 अंक)। गतिशील, असंतृप्त वातावरण में यह महत्वपूर्ण लाभ यह दर्शाता है कि कौशल हस्तांतरणीय प्रक्रियात्मक ज्ञान को एनकोड करते हैं, न कि केवल याद किए गए पृष्ठ अवस्थाओं को।
• OSWorld (क्रॉस-सबस्ट्रेट): डेस्कटॉप कार्यों पर एक नैदानिक अध्ययन में, कौशलों ने एजेंट को उन 6 अतिरिक्त मामलों को हल करने में सक्षम बनाया जो पहले असंभव थे, मुख्य रूप से लापता कार्य स्कीमा और टर्मिनल साक्ष्य प्रदान करके।

निष्कर्षण और निष्पादन का अलगाव (Decoupling Distillation and Execution):
प्रयोगों ने दिखाया कि एक मजबूत मॉडल (Claude-Sonnet-4.6) द्वारा निष्कर्षित कौशलों ने कमजोर निष्पादक एजेंटों के प्रदर्शन में महत्वपूर्ण सुधार किया। एक छोटा एजेंट जो Sonnet-निर्मित कौशलों से लैस था, उसने 77% सफलता प्राप्त की, जो बड़े एजेंट द्वारा प्राप्त 80% के करीब है, जो "एक बार निष्कर्षित करें, सस्ते में पुन: उपयोग करें" के सिद्धांत को प्रमाणित करता है।

5. महत्व और दावे

शोध पत्र दावा करता है कि ब्राउज़र एजेंटों की स्केलेबिलिटी मैन्युअल रूप से डिज़ाइन किए गए कार्यों या व्यक्तिगत एजेंट मॉडलों को बढ़ाने पर कम, और इंटरनेट उपयोगकर्ताओं द्वारा व्यक्त किए गए सामूहिक कौशलों का लाभ उठाने पर अधिक निर्भर हो सकती है।

कच्चे, शोर वाले ट्रेसेस को ऑडिट योग्य, प्राकृतिक-भाषा कौशल कार्डों में बदलकर, BrowserBC विभिन्न एजेंटों और वातावरणों में अनुभव को संचित करने और पुन: उपयोग करने का एक मार्ग प्रदान करता है। लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण वातावरण या पुरस्कारों में सुधार के समानांतर (orthogonal) है; इसके बजाय, यह मौजूदा मानव इंटरैक्शन डेटा को एक स्केलेबल पर्यवेक्षण सिग्नल के रूप में मानता है। यह कार्य सुझाव देता है कि जटिल, लॉन्ग-होरिजन वेब कार्यों को हल करने के लिए निम्न-स्तरीय ग्राउंडिंग क्षमताओं की तुलना में प्रक्रियात्मक प्रायर्स (procedural priors) (यह जानना कि क्या करना है और कैसे सत्यापित करना है) अधिक मूल्यवान हैं।

शोध पत्र विनम्रता से निष्कर्ष निकालता है कि जबकि कौशल सफलता और दक्षता में सुधार करते हैं, वे पूर्ण निम्न-स्तरीय निष्पादन या शॉर्टेस्ट-पाथ नीतियों का विकल्प नहीं हैं, और उनका लाभ निष्पादन विश्वसनीयता और पुनर्प्राप्ति सटीकता द्वारा सीमित है।