在人工智能领域，视觉Web代理（即能够理解和操作网页的AI模型）的训练面临一个关键挑战：网页复杂多变，难以获取大规模、多样化的训练数据。现有的方法要么依赖于离线轨迹进行监督微调，要么局限于少数模拟环境进行强化学习（RL）训练，无法捕捉真实Web的多样性。针对这一问题，来自研究团队的Oğuzhan Fatih Kar等人提出了Weblica（Web Replica）框架，旨在构建可复现且可扩展的Web环境。该论文于2026年5月7日提交至arXiv，共有28页、19张图表，涵盖人工智能、计算机视觉和机器学习领域。
Weblica的核心创新在于两项关键技术。首先，它利用HTTP级缓存来捕获和重放稳定的视觉状态，同时保留交互行为。这意味着训练环境能够精确复现特定网页的视觉布局和功能，确保代理在一致的环境中进行学习。其次，Weblica借助基于大语言模型（LLM）的环境合成技术，从真实网站和核心Web导航技能出发，自动生成大量多样化的训练任务。这种合成方法不仅扩展了环境的覆盖面，还确保了任务的相关性和挑战性。
基于这一框架，研究团队将强化学习训练扩展到了数千个不同的环境和任务。他们训练出的最佳模型Weblica-8B，在多个Web导航基准测试中表现优异。与同规模的开源模型相比，Weblica-8B不仅取得了更高的性能，还使用了更少的推理步骤。此外，该模型在增加测试时计算资源时展现出了良好的扩展性，其性能甚至能够与一些API模型相媲美。这意味着Weblica在保持环境真实性和交互性的同时，大幅提升了训练数据的规模和多面性。
这项工作的意义在于，它为视觉Web代理的训练数据规模化问题提供了一个切实可行的解决方案。通过结合缓存和合成技术，Weblica在保持环境真实性和交互性的同时，大幅提升了训练数据的规模和多面性。未来，这一框架有望推动Web代理在更复杂、更动态的Web环境中的应用，如图1和图2所示（论文中提供了19张图表详细说明实验设置和结果）。Weblica的实现细节和更多实验分析可参阅arXiv上的完整论文（arXiv:2605.06761）。