小型AI模型挑战真实网站任务
KAIST研究人员发布了KORMo-Web。这款人工智能智能体通过鼠标点击和键盘输入操作网站。在真实网站评测中,其最小型号完成了42.3%的指定任务,韩语和英语的成绩相同。
该团队由KAIST文化技术研究生院教授Lim Kyung-taek领衔,并于2026年11月17日宣布发布这一系统。为训练系统识别屏幕内容并采取行动,研究团队使用了超过1000万份网页屏幕样本,以及超过10万条网站交互记录。
KORMo-Web可使用ChatGPT和Claude等服务,在Naver Shopping和Coupang上搜索商品、起草邮件,并参与在线社区活动。研究人员还展示了一段演示视频,将在真实网站上执行的40项任务浓缩在四分钟内呈现。
其核心思路很直接:不必为每项服务单独开发软件接口,而是让AI理解人们看到的同一屏幕,并操作屏幕上的控件。
KAIST发布了三种不同规模的模型,其中一个版本有40亿个参数,可直接在个人电脑上运行。此次发布还包括模型权重、训练数据、韩语评测数据和Chrome扩展程序代码,为开发者运行和研究该系统提供了所需组件。
AI如何像人一样使用网站?
KORMo-Web是一款AI智能体,也就是说,它会采取行动来完成请求,而不只是返回文字答案。用户向它发出指令后,系统会解读网页屏幕、选择控件并输入文字,以实现用户要求的结果。
例如,购物任务需要它识别搜索框的位置、输入商品名称并浏览搜索结果。通过另一项AI服务准备材料,则需要找到输入区域、提交请求并处理返回内容。
许多软件服务都提供应用程序编程接口(API),其他程序可通过这些接口请求信息或执行操作。KORMo-Web的目标则是通过可见的网站界面完成操作,从而减少为每项服务单独开发接口的需要。
Lim在介绍该项目时阐述了这一目标:
我们的目标不是为每项服务逐一接入外部应用程序编程接口(API),而是让AI像人一样理解屏幕,并直接使用电脑,
这种方法也不同于主要依赖网页底层HTML或文档对象模型(DOM)的自动化技术。这些结构描述了网页的组织方式。KORMo-Web的训练则以屏幕上显示的内容,以及人们使用网站的记录为核心。
让它行动之前,团队教会了它什么
研究人员利用超过1000万份韩语和英语网页屏幕样本构建了训练数据,其中包括韩国常用的网站。训练目标不只是让模型知道按钮或文本框的位置。
团队将这一阶段称为原子级网页预训练。简单来说,就是先让模型学习网站的基础组成,再尝试完成更复杂的任务:菜单在哪里、按钮有什么作用、输入框接受什么内容,以及控件处于什么状态。
按钮的外观和功能彼此相关,但并非同一类信息。智能体既要识别正确的控件,也要理解使用该控件如何推进用户的任务。针对这些细节进行训练,能为模型选择行动打下基础。
随后,研究人员又加入了超过10万条韩语和英语网页交互记录。这些行动序列也称为轨迹,展示了人们如何通过多个步骤使用网站,而不是只点击一次。
两个训练阶段解决的是不同需求。屏幕样本教智能体识别并理解眼前的内容;交互记录则教它如何通过一系列操作,从接收指令到完成任务。
42.3%的成功率意味着什么?
参数规模为40亿的KORMo-Web-4B,在Online-Mind2Web评测中的任务成功率为42.3%,英语和韩语成绩相同。该评测要求智能体在真实网站上执行任务。
官方KORMo-Web-4B发布页面列出了评测流程和完整结果。所有模型都执行了相同的612项实时网站任务:其中300项为英语任务,312项为韩语任务。各模型使用各自的提示词和行动格式,但所有运行结果均由同一语言模型评审员GPT-6评分。成功率以全部任务数为分母,因此崩溃或未返回结果的运行均计为失败。页面还提供了完整的测试框架规范、系统提示词和工具架构说明。
完整结果按英语和韩语成功率排列如下:Qwen3.5-4B为20.0%和13.5%;Fara-1.5-4B为20.7%和7.7%;UI-TARS-1.5-7B为22.3%和20.2%;OpenWebRL-4B为32.7%和15.4%;KORMo-Web-4B为42.3%和42.3%;KORMo-Web-9B为51.0%和48.1%。
研究人员表示,在纳入比较且公开提供模型权重的智能体中,这是最高成绩。该模型比此前的最佳对比成绩高出9.6个百分点(英语)和22.1个百分点(韩语)。
据此计算,此前的最佳成绩分别为英语32.7%、韩语20.2%。因此,韩语成绩的提升幅度要大得多,KORMo-Web的得分超过了此前对比成绩的两倍。
百分点用于衡量两个百分比之间的差值。例如,从20.2%升至42.3%,增幅是22.1个百分点。这有助于说明,在这项特定评测中,韩语成绩实现了显著提升。
成功率也为用户提供了衡量可靠性的实际指标:成功率为42.3%,意味着成功完成的任务不到一半。其余57.7%未被归为成功,说明在用户可以经常放心地把工作交给模型、而无需检查结果之前,仍有很大改进空间。
韩语评测数据为何重要
KAIST还发布了韩语评测数据,这些数据改编自四项针对图形用户界面智能体的主要基准测试。图形用户界面是人们操作软件时使用的一组视觉控件,例如按钮、菜单和文本框。
研究人员手动构建了适用于韩国网络环境的韩语评测数据。这样一来,研究人员就能在本地网站和韩语使用场景下测试智能体,同时也能继续使用此前主导开发的英语环境进行测试。
Online-Mind2Web上韩语和英语成绩均为42.3%,因此可以根据已公布的评测结果直接比较两种语言的表现。与此前韩语对比成绩相比,提升幅度更大,也使本地语言支持成为此次发布的核心内容。
公开发布评测数据后,其他开发者可以用同类任务测试自己的系统。结合训练数据和交互记录,这些资源也为研究训练流程中的哪些环节有助于提升性能提供了更清晰的基础。
三种模型及其运行工具
此次发布包括参数规模分别为40亿、90亿和110亿的模型。参数是模型在训练过程中学习到的内部数值;参数数量是描述模型规模的一种常用方式。
4B和9B版本基于Qwen3.5构建。名为KORMo-Web-11B的110亿参数版本则以KAIST自研的KORMo基础模型系列为起点。基础模型是一种经过广泛训练的AI系统,可进一步训练以承担更具体的任务,在这里就是操作网站。
KORMo-Web-4B旨在个人电脑上直接运行。模型规模较小,是团队希望让用户在自己的设备上使用网页助手、而非完全依赖大型远程系统这一目标的关键。
此次发布的内容不止包括模型本身。KAIST还开放了已训练的模型权重、大量网页训练数据、用户操作序列、韩语评测数据、Chrome扩展程序代码、安装指南、视频和示例。
研究人员尚未说明最低电脑硬件要求。官方发布页面也未说明,在购买商品、发送邮件或发布评论等公开信息之前,是否需要用户确认。对于考虑使用智能体执行涉及花钱或与他人沟通的任务的人来说,这些细节很重要。
从演示走向实用委托
演示展示了几类常见工作:通过ChatGPT准备演示材料、使用Claude调查近期研究、在Notion中整理结果,以及在购物网站上搜索商品。起草邮件和参与在线社区活动,则将系统应用扩展到了可能与他人产生联系的任务。
这段四分钟视频以浓缩形式呈现了40项网站任务。对于潜在用户来说,更有参考价值的可靠性指标是单独公布的任务成功率,同时还要考虑特定工作需要多少人工检查。
邮件草稿可以在发送前审核。商品搜索结果可以根据用户的预算和需求进行核对。发布评论或完成购买,则需要明确规定哪些操作必须得到用户批准。因此,任务的选择与能否正确点击控件同样重要。
Lim表示,他的目标是让这类助手进入个人电脑:
今后,我们希望打造一种环境,让安装在个人电脑上的小型AI能够代表用户完成各种各样的网页任务。
KORMo-Web将这一愿景变成了其他人可以检查和运行的系统:三种已发布模型、丰富的训练资源和韩语测试工具。当前结果显示,该系统在完成真实网站任务方面取得了进展,但在已公布的评测中,成功完成的任务仍不到一半。
要点
- KAIST于2026年11月17日宣布发布KORMo-Web。这是一款通过识别可见控件来操作网站的AI智能体。
- 训练使用了超过1000万份韩语和英语网页屏幕样本,以及超过10万条交互记录。
- 4B模型在Online-Mind2Web上的韩语和英语任务成功率均为42.3%。
- 与此前最佳对比模型相比,该模型在英语任务上的成绩高出9.6个百分点,在韩语任务上高出22.1个百分点。
- 此次发布包括三种规模的模型、韩语评测数据、训练资源和Chrome扩展程序代码。
- 最小型号可在个人电脑上运行,但其公布的成功率也意味着用户仍需检查大量任务结果。






