通义实验室大火的 WebAgent 续作：全开源模型方案超过GPT4.1 , 收获开源SOTA

主要观点总结

WebAgent续作《WebShaper: Agentically Data Synthesizing via Information-Seeking Formalization》中，作者提出了对information-seeking（IS）任务的形式化建模，并基于该建模设计了IS任务训练数据合成方法。WebShaper补足了GAIA、Browsecomp上缺少高质量训练数据的问题，体现了通义实验室对IS任务的深化理解。其主要创新点包括：从信息驱动到形式化驱动的数据合成范式转变、基于集合论的形式化建模、智能体式扩展合成方法以及使用开源模型方案在GAIA基准任务中获得的高分表现。

关键观点总结

关键观点1: 信息检索（IS）任务的形式化建模

作者首次提出了对IS任务的形式化建模，通过数学建模来检索信息并合成训练数据，解决了主流方法依赖信息驱动合成范式的两大缺陷。

关键观点2: WebShaper系统的特点

WebShaper系统开创了形式化驱动新范式，通过数学建模IS任务，实现全域任务覆盖、精准结构控制以及结构语义对齐。

关键观点3: 智能体式扩展合成方法

为了让Agent自己进行任务合成，WebShaper使用专用的代理扩展器（Expander）模块，通过形式化建模来表示和使用任务需求，实现逐层扩展机制以最小化冗余并防止推理捷径。

关键观点4: WebShaper的训练方法和效果

作者使用监督微调（SFT）+ GRPO强化学习策略来训练Agent。WebShaper在GAIA基准任务中获得60.1分的高分表现，超越所有开源方案，大幅领先第二名的开源方案。

关键观点5: 论文的进一步分析

作者对数据和训练模型进行了进一步分析，验证了WebShaper数据领域覆盖的充分性、形式化建模和逐层扩展策略的有效性等。

免责声明