开源网页 Agent 缺的不是模型结构，而是足够难的信息检索训练数据。WebExplorer 用模型从一个种子实体出发，自主搜索、浏览、把多个网页上的事实串成一个 QA；随后反过来做「去信息」：删显眼线索、把日期地点人名模糊化、用更泛的描述替换实体，最多迭代 5 次。 演化后的 QA 让 Claude-4-Sonnet 的准确率从 86.6% 降到 67.1%，平均工具调用从 7.9 升到 9.9 轮。
数据是瓶颈，不是模型。 现有开源网页 Agent 在 BrowseComp 这类难题上表现有限，人工标注又贵。论文的判断是：缺的是「需要跨多个网站、绕几道弯才能答对」的 QA，而不是更多普通网页问答（§1）。
两阶段合成：先探索，再演化。 第一阶段让模型从 Wikipedia 种子实体出发，自己搜索、浏览、决定什么时候停，把找到的事实编成一个 QA；第二阶段把初始问题里的显眼线索删掉、模糊化或替换，答案保持不变，难度上升（§2.2、§2.3）。
8B 模型在 BrowseComp-en/zh 两列上超过 WebSailor-72B。 SFT + GRPO 后，WebExplorer-8B 在 BrowseComp-en 得 15.7%、BrowseComp-zh 32.0%、FRAMES 75.7%；BC-en 比 WebSailor-72B 的 12.0% 高 3.7 个百分点（相对 30.8%）。
泛化有亮点，但「全面超过 32B」不成立。 HLE（Humanity's Last Exam）上 17.3% 高于 WebThinker-32B 的 15.8%，但低于 AFM-32B 的 18.0% 与 Kimi-K2 的 18.1%。论文只点名了部分 32B 对照，页面把整张表列出来。
先把数据侧的缺口说清楚：现有合成数据要么太简单，要么依赖规则化的图构建。
网页 Agent 需要从多个在线来源找信息、比较、排除、再确认。但训练这类能力的高质量数据很少：人工标注成本高、规模小；自动合成的数据又常常只覆盖「搜一个关键词、打开一个页面、抄一个答案」的浅层流程（§1、§2）。
论文把现有合成路线分成两类。第一类是基于图的随机游走：把网站或实体当节点、链接当边，在图上选子图再生成 QA。问题在于节点扩展与选择依赖大量启发式规则，流程复杂、灵活性差。第二类是由简到难的演化：不断给问题加约束、加信息，让问题变长；但这样容易生成不自然、冗长的查询（§2）。
论文用 Claude-4-Sonnet 测自己合成出来的初始 QA：准确率 86.6%，远高于它在 BrowseComp-en 上的 12.2% 与 GAIA 上的 68.3%。这说明「跨多个网站」本身不等于「难」（§2.3、Table 1）。
初始问题里常有「官方上座率创纪录」「这位球员 44 岁去世」这类强提示，模型可以直接拿关键词去搜；难题则用「1960–1980 年间播出、少于 50 集的电视剧」这种模糊描述，迫使模型探索（§2.3）。
论文的评测覆盖六个信息检索基准（BrowseComp-en/zh、GAIA（103 条纯文本验证子集）、WebWalkerQA、FRAMES、XBench-DeepSearch），以及学术基准 HLE。WebExplorer-8B 的分数按 Avg@4 计算，LLM-as-Judge 用 DeepSeek-V3（§4.1）；§4.1 的宽表述称所有分数都用 Avg@4，但 Table 2 caption 只明确 WebExplorer-8B 的分数是 Avg@4，Table 1 caption 未注明 Avg@4。这套评测既看「难检索」，也看「跨基准泛化」。
论文的对照不是「谁的模型更大」，而是「训练题从哪里来、难度怎么保证」。
GAIA、BrowseComp 这类基准由人工设计，质量高但规模受限于成本。论文提到 BrowseComp 的构造需要大量人工 effort，无法直接拿来做大规模训练数据（§1、§2）。
WebSailor、WebShaper 等工作用图或信息空间合成 QA。论文认为这类方法需要设计节点扩展与选择启发式，流程复杂（§2）。
ASearcher、WebDancer 等给问题不断加约束、加信息，让查询变长。论文认为这和真实难题的方向相反：难题不是信息更多，而是有效信息更少、指代更模糊（§2）。
WebExplorer 的差异在于把「探索」交给模型，而不是规则：模型自己决定搜什么、打开哪个页面、什么时候停止；然后把探索到的事实编成问题。演化阶段则反向操作：从完整信息出发，逐步删掉或模糊化线索。这个「long-to-short」的方向是论文最核心的方法论主张（§2.3、Figure 2）。
为了避免只会做 BrowseComp 风格的题，论文从 Wikipedia 收集不同领域的种子实体，并在合成提示里放入三条 BrowseComp-en 示例；最终数据集约 40K 条，演化迭代 5 次（§2.4）。这也带来一个后面要讨论的边界：训练数据与评测基准共享同一类示例。
两个阶段共用同一个答案：第一阶段保证答案唯一且可验证，第二阶段只改问题、不改答案。
给定一个 Wikipedia 种子实体，模型用 search 与 browse 两个工具自主探索。它可以选择查询词、打开页面、继续追链接；当它认为信息足够时，选一个「唯一且可验证」的事实作为答案，再围绕这个答案编一个需要跨网站推理的问题（§2.2、Figure 3）。
工具方面，search 返回 Google 前 10 条结果的标题、URL 与摘要；browse 用 Jina 抓取网页全文，再用 Gemini 2.5 Flash 根据问题抽取答案（§4.1、Appendix C）。论文的系统提示要求最终输出 <question> 与 <truth>，方便自动解析（Appendix B.1）。
第二阶段拿第一阶段完整轨迹作为输入，提示模型从三个方向改问题：
删除部分描述，尤其当多条描述都能指向答案时；原文没有规定保留哪一条（§2.3、Appendix B.2）。
把「44 岁去世」改成更泛的时间描述，把「曼联」改成「顶级联赛豪门」，把具体地名改成范围描述；答案保持不变（§2.3）。
用同义描述、历史名称、上位概念替换显式实体；模型可以在演化过程中继续 search/browse，寻找替代说法（§2.3、Appendix B.2）。
论文给了一个具体例子：初始问题直接说「这场比赛官方上座率创世界杯纪录」「裁判是世界杯决赛最年长主裁」「26 年后他当主席的俱乐部在足总杯决赛击败曼联」「进球球员 44 岁去世」，问进球发生在第几分钟；演化后变成「在唯一一届没有淘汰赛决赛的世界杯赛制中，一位比赛官员后来带领第二级别俱乐部击败顶级联赛豪门……那位被儿时支持的俱乐部拒绝的进球者，来自一个 20 世纪 20 年代并入皇家海军要塞的街区」，答案仍是第 83 分钟（§2.3）。
这个例子说明演化的方向不是「加更多约束」，而是「把直接入口拆掉」。Table 1 用 Claude-4-Sonnet 量化了效果：初始 QA 准确率 86.6%，演化后 67.1%，下降 19.5 个百分点（相对 22.5%）；平均工具调用从 7.9 增到 9.9，多 2.0 轮（相对 25.3%）。
但演化不是越难越好。Table 1 里演化后 QA 的准确率是 67.1%，略低于 WebShaper 的 67.4%（低 0.3 个百分点）；它的优势是平均轮数最高（9.9 对 WebShaper 的 8.4）。论文据此说演化后的数据「需要更多探索」，而不是「准确率最低」。页面不把 67.1 说成所有数据集里最难。
训练分两段：先 cold start，再 RL。论文没有报告 GPU 型号、数量或总训练时长。
从 Wikipedia 种子实体出发，用模型探索 + 5 轮演化，得到约 40K 条 QA。SFT 用其中约 13K 条带正确轨迹的样本；RL 用约 12K 条，不需要轨迹示范（§2.4、§4.1）。
底座 Qwen3-8B；SFT 训练 batch size 32，学习率 1e-5，训练 4 个 epoch。轨迹来自商业模型，经过 rejection sampling，只保留正确答案的轨迹（§3.1、§4.1）。
GRPO 每组 8 条 rollout，batch size 64，学习率 1e-6；奖励是 R = 0.2 · Rformat + Rcorrect，正确答案由 DeepSeek-V3 裁判（§3.2、Eq.4、§4.1）。
RL 训练逐步扩上下文：先 64K token、50 轮工具调用；再 96K、75 轮；最后 128K、100 轮（§3.2）。
工具 scaffold 只有两个动作：search 与 browse。search 每次返回 Google 前 10 条结果；browse 用 Jina 抓全文，再用 Gemini 2.5 Flash 抽取答案（§4.1、Appendix C）。论文没有给训练 GPU 数量、GPU 小时或 API 调用费用；因此页面不把「8B」当成「低成本」的证据。
上半部分是数据生产，下半部分是模型训练；两个阶段共享同一个答案。
论文的演化阶段（§2.3、Eq.3、Appendix B.2）可以继续调用 search/browse 来寻找替代说法，所以它不只是「改写句子」，而是在改写的同时维持答案的可验证性；上图只画了主线，没有画出这个回环。公式把每一轮演化的动作与观察都追加进信息空间 H，下一轮演化基于完整历史。
先看数据难度，再看模型成绩；Table 2 的 WebExplorer-8B 分数是 Avg@4，Table 1 的评测模型是 Claude-4-Sonnet。
Table 1 用 Claude-4-Sonnet 作为统一评测模型。初始 QA 的平均轮数是 7.9，演化后是 9.9，多 2.0 轮；准确率从 86.6% 降到 67.1%，低 19.5 个百分点。和其他公开数据集比，演化 QA 的轮数最高，但准确率不是最低：SailorFog 只有 35.0%，WebDancer 是 62.0%，WebShaper 是 67.4%。
| 数据集 | 平均工具调用轮数 | Claude-4-Sonnet 准确率 (%) |
|---|---|---|
| Initial QA（本文） | 7.9 | 86.6 |
| Evolved QA（本文） | 9.9 | 67.1 |
| WebDancer | 5.4 | 62.0 |
| SailorFog | 8.2 | 35.0 |
| WebShaper | 8.4 | 67.4 |
| ASearcher | 6.5 | 62.0 |
准确率：86.6 → 67.1，绝对下降 86.6 − 67.1 = 19.5 个百分点；相对 19.5 / 86.6 × 100 = 22.5%。
轮数：7.9 → 9.9，绝对增加 9.9 − 7.9 = 2.0 轮；相对 2.0 / 7.9 × 100 = 25.3%。这两个变化方向相反：题更难，需要更多轮。
WebExplorer-8B 先在 SFT 后达到 BC-en 7.9%、BC-zh 21.3%；GRPO 后升到 15.7% 与 32.0%，分别高 7.8 与 10.7 个百分点（相对 98.7% 与 50.2%）。GAIA 从 43.7% 到 50.0%（高 6.3 个百分点，相对 14.4%），WebWalkerQA 从 59.8% 到 62.7%（高 2.9 个百分点，相对 4.8%），FRAMES 从 72.6% 到 75.7%（高 3.1 个百分点，相对 4.3%），XBench-DS 从 47.5% 到 53.7%（高 6.2 个百分点，相对 13.1%），HLE 从 16.0% 到 17.3%（高 1.3 个百分点，相对 8.1%）。
| 模型 | BC-en | BC-zh | GAIA | WebWalkerQA | FRAMES | XBench-DS | HLE |
|---|---|---|---|---|---|---|---|
| OpenAI-o3† | 50.9 | 58.1 | 70.5† | 71.7 | 84.0 | 66.7 | 20.2 |
| Claude-4-Sonnet† | 12.2 | 29.1 | 68.3† | 61.7 | 80.7 | 64.6 | 20.3 |
| GLM-4.5 | 26.4 | 37.5 | 66.0† | 65.6† | 78.9† | 70.0† | 21.2† |
| DeepSeek-V3.1 | 30.0 | 49.2 | 63.1† | 61.2† | 83.7 | 71.2 | 29.8 |
| Kimi-K2† | 14.1 | 28.8 | 57.7 | 63.0 | 72.0 | 50.0 | 18.1 |
| WebShaper-72B | — | — | 60.0 | 52.2 | — | — | — |
| WebShaper-32B (QwQ) | — | — | 53.3 | 49.7 | — | — | — |
| WebShaper-32B | — | — | 52.4 | 51.4 | — | — | — |
| WebSailor-72B | 12.0 | 30.1 | 55.4 | — | — | 55.0 | — |
| WebSailor-32B | 10.5 | 25.5 | 53.2 | — | — | 53.3 | — |
| WebSailor-7B | 6.7 | 14.2 | 33.0 | — | — | 34.3 | — |
| ASearcher-Web-QwQ | 5.2 | 15.6 | 52.8 | 34.3 | 70.9 | 42.1 | 12.5 |
| AFM-32B | 11.1 | — | 55.3 | 63.0 | — | — | 18.0 |
| AFM-7B | 5.8 | — | 40.8 | 55.6 | — | — | 15.6 |
| WebThinker-32B | 2.8 | — | 48.5 | 46.5 | — | — | 15.8 |
| MiroThinker-32B-DPO-v0.1 | 13.0 | 17.0 | 57.3 | 49.3 | 71.7 | — | 11.8 |
| MiroThinker-8B-DPO-v0.1 | 8.7 | 13.6 | 46.6 | 45.7 | 64.4 | — | — |
| WebExplorer-8B (SFT) | 7.9 | 21.3 | 43.7 | 59.8 | 72.6 | 47.5 | 16.0 |
| WebExplorer-8B (RL) | 15.7 | 32.0 | 50.0 | 62.7 | 75.7 | 53.7 | 17.3 |
BrowseComp-en：7.9 → 15.7，绝对差 15.7 − 7.9 = 7.8 个百分点；相对 7.8 / 7.9 × 100 = 98.7%。
BrowseComp-zh：21.3 → 32.0，绝对差 32.0 − 21.3 = 10.7 个百分点；相对 10.7 / 21.3 × 100 = 50.2%。RL 的增益在两个语言上方向一致，但幅度不同。
BC-en 上 WebExplorer-8B 的 15.7% 比 WebSailor-72B 的 12.0% 高 3.7 个百分点（相对 30.8%），比同规模 MiroThinker-8B 的 8.7% 高 7.0 个百分点（相对 80.5%）；BC-zh 上 32.0% 比 WebSailor-72B 的 30.1% 高 1.9 个百分点（相对 6.3%）。WebWalkerQA 上 62.7% 对 WebShaper-72B 的 52.2%，复算差 10.5 个百分点（相对 20.1%）；论文 §4.2 称 outperforming WebShaper-72B by 10 absolute points，原文未解释 10 与 10.5 的差异，页面不归因。同一列里 AFM-32B 的 WebWalkerQA 是 63.0%，高于 WebExplorer 的 62.7%；论文 §4.2 仍称 WebWalkerQA 是 open-source sub-100B 最优，这与表内数字对不上。
「比 WebSailor-72B 强」要限定在具体列：BC-en、BC-zh 是表内可核对的；FRAMES 的 WebSailor-72B 单元格是「—」，不能说「在 FRAMES 上也超过 WebSailor-72B」。HLE 上 WebExplorer 的 17.3% 低于 AFM-32B 的 18.0%（低 0.7 个百分点）和 Kimi-K2 的 18.1%（低 0.8 个百分点），「超过所有 32B 模型」不成立。
这些条件决定了「8B 在部分列超过 WebSailor-72B」能推广到哪一步。
论文只给一个 8B 模型的结果，没有 32B/72B 的同方法训练对照。和 WebSailor-72B 的比较是「不同模型、不同训练配方」的跨模型比较，不是受控缩放实验（§4.1、Table 2）。
种子实体来自 Wikipedia，但合成提示里放了 3 条 BrowseComp-en 示例；评测又包含 BrowseComp-en/zh。论文没有给出去重、重叠率或污染分析；推断 同风格数据可能带来评测优势（§2.4、§4.2）。
search 用 Google 前 10 条结果；browse 用 Jina 抓全文、Gemini 2.5 Flash 抽答案。工具行为、配额与网络状况会直接影响数据合成和评测；论文没有报告 API 成本或失败率（§4.1、Appendix C）。
论文给了 SFT/RL 的 batch、学习率、epoch 与上下文扩展，但没有 GPU 型号、数量、训练时长。不能把「8B」直接换算成「低成本」，也不能和 72B 基线的训练成本对比（§4.1）。
结果层面的边界有三条。第一，HLE 不是全面占优：17.3% 比 WebThinker-32B 的 15.8% 高 1.5 个百分点（相对 9.5%），但低于 AFM-32B 的 18.0% 与 Kimi-K2 的 18.1%；论文只点名了前一组。第二，原文的 10 与表内 10.5 不同：WebWalkerQA 62.7 对 WebShaper-72B 52.2，复算 10.5 个百分点；论文 §4.2 用 10，原文未解释差异，页面不归因。同一列 AFM-32B 为 63.0，高于 WebExplorer 的 62.7，也不支持论文 §4.2 的「sub-100B 最优」说法。第三，Avg@4：推断 它是评测阶段的四次平均，不是训练多次的方差（§4.1 只写所有分数用 Avg@4 报告、未给定义；Figure 5 在 RL 训练过程中按 step 记录 avg@4）；论文没有报告训练种子或置信区间。
方法层面的边界是「演化」的代价。每条数据要跑探索 + 最多 5 轮演化，每轮都可能调用 search/browse；论文没有报告合成 40K 条数据的总调用次数或费用。演化也可能把问题改得过于晦涩，但论文明确说要在提高复杂度的同时保持 reasonable solvability，完全照搬 BrowseComp-en 的难度对训练当前开源模型没有必要（§2.4）；Table 1 里演化 QA 的准确率是 67.1%，仍高于 SailorFog 的 35.0%。