大模型GUI系列论文阅读 DAY3：《GPT-4V(ision) is a Generalist Web Agent, if Grounded》

摘要

近年来，大型多模态模型（LMMs）的发展，特别是 GPT-4V(ision) 和 Gemini，迅速扩展了多模态模型的能力边界，不再局限于传统任务如图像描述和视觉问答。在本研究中，我们探讨了 LMMs（如 GPT-4V）作为通用网页代理的潜力，这类代理能够根据自然语言指令完成任意网站上的任务。我们提出了 SEEACT，这是一种通用网页代理，利用 LMMs 的视觉理解能力，实现网页上的操作。

我们在最新的 MIND2WEB 基准测试上进行了评估。除了对缓存网站的标准离线评估外，我们还开发了一种工具，支持在线评估，即在实时网站上运行网页代理。我们的研究表明，GPT-4V 展现了作为网页代理的巨大潜力——在人工将其文本计划转化为网站上的实际操作的情况下，它能够成功完成实时网站上的 51.1% 任务。这一表现显著优于文本仅限的 LLMs（如 GPT-4）或针对网页代理特别微调的小型模型（如 FLAN-T5 和 BLIP-2）。

然而，基础对接（grounding）仍然是一个主要挑战。现有的 LMM 对接策略（如 set-of-mark 提示）对网页代理并不有效。本研究中开发的最佳对接策略结合了 HTML 结构和视觉信息。然而，与理想的对接（oracle grounding）相比仍存在显著差距，这表明仍有很大的改进空间。所有代码、数据和评估工具均可在以下网址获取：
https://github.com/OSU-NLP-Group/SeeAct。

1. 引言
大型多模态模型（LMMs；Li 等, 2023；Alayrac 等, 2022；Liu 等, 2023b），尤其是最近的 GPT-4V(ision)（OpenAI, 2023）和 Gemini（Anil 等, 2023），在标准的视觉-语言理解与推理基准测试中展现出了卓越的能力（Kazemzadeh 等, 2014；Goyal 等, 2016；Hendrycks 等, 2020；Saikh 等, 2022；Lu 等, 2022；Zhong 等, 2023；Yue 等, 2023）。虽然网页内容一直是 LMMs 的主要训练数据来源，但网页本身这一部分却在很大程度上被忽视——每个网站都经过视觉设计，以便于人类用户轻松浏览。

这为 LMMs 提出了新的挑战，同时也带来了新的机遇。一方面，网站的渲染截图可能包含数千个元素及其复杂的关联，远比大多数现有基准测试中的图像更复杂，而后者通常集中在对象或场景层面。另一方面，如果 LMMs 能够准确理解网站内容，将为网页上的众多应用打开新的大门。

在本研究中，我们旨在探讨 LMMs 作为通用网页代理的潜力（Deng 等, 2023）。根据 MIND2WEB（Deng 等, 2023）的定义，通用网页代理应能够遵循自然语言指令，在任意真实世界的网站上完成任务（例如图 1 所示）。

这些任务可能非常多样化和复杂，一个任务可能需要在多个动态渲染的网页上执行 10 多个操作。现有研究（Deng 等, 2023；Liu 等, 2023d）主要使用大型语言模型（LLMs），如 GPT-4（OpenAI, 2023），处理原始的 HTML 输入。然而，与渲染后的网站视觉内容相比，HTML 代码更加冗杂，并且信息密度较低。例如，图 1 中的网页截图包含 423 个 HTML 元素，如果使用 GPT-2 标记器处理，将需要 186,490 个文本标记，而 GPT-4V 的视觉标记器仅需 1,445 个视觉标记。此外，HTML 仅能提供不完整的信息，并可能遗漏嵌入图像等关键语义信息。

为此，我们提出了 SEEACT，一种利用 LMMs 能力进行网页视觉理解和操作的通用网页代理。我们将重点研究当前最先进的 LMM，即 GPT-4V，并与较小的 LMMs（如 BLIP-2（Li 等, 2023）和 LLaVA-1.5（Liu 等, 2023a;c））进行比较。我们发现，GPT-4V 在视觉理解渲染后的网页方面表现出很强的能力，能够为各种网站和任务生成正确的文本计划。然而，对接（grounding） 仍然是一个重大挑战，即将文本计划准确转换为网站上的具体操作。这包括选择正确的 HTML 元素进行交互，以及选择正确的操作（例如，点击、输入或选择）。

我们提出了多种 grounding 方法，包括在网页图像上叠加边界框和索引标签，类似于在对象或场景为中心的图像上表现良好的 set-of-mark 提示（Yang 等, 2023a）。然而，我们发现，在具有丰富语义和空间关系的复杂网页截图上，GPT-4V 容易产生严重的幻觉（hallucination）。最有效的 grounding 策略是利用 HTML 元素与其视觉呈现之间的已知对应关系，这一点使得网页与自然图像不同。

我们在 MIND2WEB 数据集（Deng 等, 2023）上评估了 SEEACT，并将其与文本仅 LLMs（如 GPT-4（OpenAI, 2023））以及较小的模型（FLAN-T5（Chung 等, 2022）、BLIP-2（Li 等, 2023）、LLaVA-1.5（Liu 等, 2023a;c）和 CogAgent（Hong 等, 2023））进行比较。除了标准的离线评估（使用缓存网站），我们还开发了一种新的工具，以便在实时网站上运行网页代理，从而进行在线评估。

我们的主要研究发现如下：

SEEACT 结合 GPT-4V 作为通用网页代理具有强大的潜力（如果提供理想的 grounding）。 在在线评估中，它能够成功完成 51.1% 的网站任务，远超现有方法，如 GPT-4（13.3%）或 FLAN-T5（8.9%）。这表明 GPT-4V 等 LMMs 在网页代理方面具有巨大潜力。
然而，grounding 仍然是主要挑战。 目前最优的 grounding 策略与理想对接（oracle grounding）仍存在 20-30% 的差距。在各种 grounding 策略中，最佳方案结合了 HTML 文本和视觉内容，较图像注释策略（Yang 等, 2023a）表现提升高达 10%。
在上下文学习（in-context learning）方面，LLMs 和 LMMs 对于未见过的网站具有更好的泛化能力， 而针对训练时见过的网站，监督微调（supervised fine-tuning）仍然具有优势。
在线与离线评估之间存在显著差异， 因为同一任务可能存在多个可行的解决方案。在线评估更能反映模型的实际性能。

2. SeeAct

在本节中，我们首先介绍网页代理问题的公式化描述，然后介绍基于大型多模态模型（LMMs）的通用网页代理 SEEACT。具体而言，针对一个网页任务（例如，在汽车租赁网站上“租用最便宜的卡车”），我们研究 LMMs 作为通用网页代理所需的两个核心能力：

动作生成（Action Generation）： 在每一步生成动作描述（例如，“将光标移动到‘Find Your Truck’按钮并点击”），以完成任务。
元素对接（Element Grounding）： 在当前网页步骤中识别正确的 HTML 元素（例如，“[button] Find Your Truck”）。

2.1 问题公式化

给定一个网站 SSS（如汽车租赁网站）和一个任务 TTT（如“租用最便宜的卡车”），网页代理应生成一系列可执行的动作序列 A=[a1,a2,…,an]A = [a_1, a_2, \dots, a_n]A=[a1,a2,…,an] 来完成任务。具体来说，在时间步 ttt，代理需要基于当前环境观测 sts_tst、之前的动作 {a1,a2,…,at−1}\{a_1, a_2, \dots, a_{t-1}\}{a1,a2,…,at−1} 以及任务 TTT，生成动作 ata_tat：

at=π(st,T,{a1,a2,…,at−1})a_t = \pi(s_t, T, \{a_1, a_2, \dots, a_{t-1}\})at=π(st,T,{a1,a2,…,at−1})

环境观测 sts_tst 由 HTML 文档 hth_tht 和网页截图 iti_tit 组成。

纯文本 LLM 只能基于 HTML 文档进行操作。
多模态 LMM 既可以基于 HTML 文档，也可以基于网页截图进行操作。

在每次操作后，网站状态将被更新：

st+1=S(at)={ht+1,it+1}s_{t+1} = S(a_t) = \{h_{t+1}, i_{t+1}\}st+1=S(at)={ht+1,it+1}

为了简化，后续的公式中将省略时间步 ttt 的表示。

一个动作 aaa 对应于由网站环境提供的浏览器事件。因此，我们将动作定义为网页事件的三元组 (e,o,v)(e, o, v)(e,o,v)：

e∈Ee \in Ee∈E：目标网页元素，例如图 2 中的 “Find Your Truck” 按钮。
o∈Oo \in Oo∈O：执行的操作类型，例如点击、输入等。
vvv：执行某些操作所需的额外信息（如输入日期 "12/10/2023"）。

然而，基于 LLM 或 LMM 的代理通常无法直接生成上述三元组 (e,o,v)(e, o, v)(e,o,v)，而是生成描述这些变量的文本动作 a~\tilde{a}a~，包括 (e~,o~,v~)(\tilde{e}, \tilde{o}, \tilde{v})(e~,o~,v~)。
这一过程称为 动作生成（Action Generation）。要与网页环境进行交互，还需将 a~\tilde{a}a~ 转换为可执行的动作 aaa，这一过程称为 动作对接（Action Grounding）。

2.2 动作生成（Action Generation）

我们明确指示 GPT-4V 模拟人类浏览网页的方式，分析任务、网页以及先前的操作。模型需要基于其分析和推理能力，生成动作描述 a~\tilde{a}a~。在该过程中，我们使用网页截图 iii 作为视觉上下文，而不利用 HTML 文档 hhh 进行动作生成。

2.3 动作对接（Action Grounding）

尽管 GPT-4V 能够用自然语言识别和描述完成给定任务所需的下一步操作，但将动作描述 a~\tilde{a}a~ 转化为可执行的动作 aaa 仍然具有挑战性。

通过字符串解析，可以合理地从动作描述中提取操作类型 ooo 和值 vvv。
关键挑战 在于从生成的 e~\tilde{e}e~ 中识别目标元素 eee，即 元素对接（Element Grounding）。

为了解决此挑战，我们探索了三种不同的信息类型进行 grounding，如图 2 所示：

基于元素属性的对接（Grounding via Element Attributes）：
- 通过提示模型生成尽可能详细的目标元素属性，以便更精确地匹配 HTML 元素。
- 例如，模型不仅要描述元素 eee，还需指定其类型和文本内容，如“Find Your Truck”按钮，并标注为“BUTTON”类型。
- 之后，使用启发式搜索在 DOM 元素中定位匹配项，如果找到唯一匹配项，则自动选择；如果有多个匹配项，则提示模型进行最终选择。
基于文本选择的对接（Grounding via Textual Choices）：
- 该方法通过提供网页元素的文本表示作为候选选项来帮助 grounding。
- 例如，MindAct（Deng 等, 2023）使用一个排名模型，筛选出前 kkk 个候选元素 (e1,e2,…,ek)(e_1, e_2, \dots, e_k)(e1,e2,…,ek)，每个候选项被表示为多项选择题的选项，如图 2 所示。
- 在生成动作描述 a~\tilde{a}a~ 后，模型被进一步要求从候选选项中选择目标元素，并提供“无匹配”选项。
基于图像标注的对接（Grounding via Image Annotation）：
- 由于文本表示有时不足以区分相似或相同的网页元素（如附录 G 所示），因此我们提出使用边界框和索引标签覆盖每个候选元素。
- 该方法为候选元素 eee 创建一个边界框，并在边界框旁标注标签，以避免标注重叠。
- 模型需生成与目标元素对应的标签，从而准确识别正确的网页元素。

理想动作对接（Oracle Action Grounding）

理想情况下，动作描述 a~\tilde{a}a~ 应包含所有必要的详细信息，以便精确识别动作三元组 (e,o,v)(e, o, v)(e,o,v)。为了评估动作生成的性能，我们采用一种理想对接方法（oracle grounding），即在动作描述中明确提及的变量均可被正确识别。

在实际评估中，我们通过人工标注方式来近似此 oracle 方法，人工标注人员会帮助确认模型所生成的目标动作。

3. 实验

3.1 数据集

我们在 MIND2WEB（Deng 等, 2023）数据集上评估了我们的方法。该数据集包含超过 2000 个具有标注操作的复杂网页任务，涉及 137 个网站，覆盖 31 个低级域（low-level domains），并被归类为 12 个高级域（high-level domains）。数据集支持三种主要操作：点击（Click）、输入（Type）和选择（Select），同时将“悬停（Hover）”和“回车（Press Enter）”操作整合到点击操作中，以避免歧义。

测试集的目标是衡量网页代理在不同任务、网站和领域中的泛化能力，具体包括以下三种设置：

跨任务（Cross-Task）： 评估代理在训练数据中未见过的任务，但仍在已知的域和网站中执行。
跨网站（Cross-Website）： 评估代理在每个顶级域中新网站上的任务，测试 10 个新网站。
跨领域（Cross-Domain）： 评估代理在训练数据中未包含的两个顶级域上的任务表现。

我们将数据集中每个 HTML 文档与其对应的网页截图图像进行对齐，这些数据经过人工验证，以确保元素的可见性和正确的渲染，以进行动作预测。经过清理后的数据版本称为 Multimodal Mind2Web，相关统计数据见表 1。

3.2 方法

SEEACT 方法：
在“基于图像标注”和“基于文本选择”对接策略中，我们首先使用 MindAct（Deng 等, 2023）提出的 DeBERTa-base 交叉编码器，对网页元素进行排名，选出前 50 个最相关元素，以便与文本仅基准进行公平比较。然后，我们将这些元素分成 17 个选项的组，供模型推理。在“基于元素属性”对接策略中，不提供候选元素，直接依靠模型进行推断。

我们在 GPT-4V API 上测试了所有三种 grounding 方法，并将表现最佳的 grounding 方法应用于 Gemini Pro Vision（Anil 等, 2023）和 LLaVA-1.5（Liu 等, 2023a;c）。

MindAct 方法：
为了与 SEEACT 进行比较，我们还实现了基于文本 LLM 和 BLIP-2（Li 等, 2023）的方法，遵循 MindAct 提出的两阶段策略（Deng 等, 2023）。具体来说，首先使用排名器选出前 50 个元素，然后将动作生成问题表述为多项选择题，其中候选元素作为选项，如果目标元素不存在，则包含“无”选项。在推理过程中，元素被分成 5 个一组进行迭代优化，直到做出最终选择或所有选项被丢弃。

我们评估了以下方法：

监督微调（SFT）： 采用 FLAN-T5（Chung 等, 2022）和 BLIP-2-T5。
上下文学习（ICL）： 采用 GPT-3.5 和 GPT-4。

像素级对接（Pixel-Level Grounding）：
LMMs 可以通过在包含对象坐标的扩展数据集上训练，来生成目标元素在图像中的坐标，特别是在开源模型（Hong 等, 2023；Cheng 等, 2024；You 等, 2023）中表现较好。我们选择 CogAgent（Hong 等, 2023）作为该实验的代表模型，并采用 ICL 方法。

各个方法的详细信息见附录 A。

3.3 离线评估

我们采用 MIND2WEB 数据集中的评估指标，包括：

元素准确率（Ele. Acc）： 比较预测的元素与真实元素的匹配度。
操作 F1 分数（Op. F1）： 计算预测的操作（包括动作和输入值）的 token 级 F1 分数。
步骤成功率（Step SR）： 衡量每一步动作的成功率，只有当所选元素和操作均正确时，该步骤才被视为成功。

我们对以上指标进行任务级宏平均。此外，还测量任务成功率（Success Rate, SR），该指标要求任务的所有步骤均正确才算成功。由于离线评估不允许模型进行探索和错误修正，因此我们主要关注前三个指标。然而，我们还对实时网站进行在线评估，以更好地衡量整体任务成功率，详细内容见下文。

3.4 在线评估

我们开发了一个新的在线评估工具，使用 Playwright 来评估网页代理在实时网站上的表现（与离线评估中的缓存网站不同）。

我们的工具可以高效地将浏览器中的多模态输入传输到代理，并将预测的动作三元组 (e,o,v)(e, o, v)(e,o,v) 转换为浏览器事件进行执行。

为了遵守道德标准，实验仅限于非登录任务，以确保符合用户协议。此外，在在线评估过程中，我们密切监控代理行为，以防止其执行任何可能产生负面影响的操作，例如下单或修改用户个人信息。

4. 结果与分析

4.1. 离线评估结果

GPT-4V 结合理想对接方法可以成为通用网页代理。
在提供有效的动作对接（grounding）方法的情况下，GPT-4V 具有成为通用网页代理的潜力。具体而言，如第 2.3 节所述，我们通过人工标注为 GPT-4V 提供了理想的动作对接方法（SEEACTOracle），在三个测试集上的步骤成功率分别达到了 61.9%、65.0% 和 62.1%。如表 2 所示，该方法在所有测试集上显著优于其他模型，尤其是在**跨任务（Cross-Task）设置下，其步骤成功率比第二好的方法高出 8.4%。在跨网站（Cross-Website）和跨领域（Cross-Domain）**设置下，SEEACTOracle 分别领先 23.9% 和 23.2%，表明其泛化能力优于监督微调方法。这一发现在在线评估（表 4）中得到了进一步验证。

元素对接方法的比较。
然而，理想对接方法与我们提出的三种对接方法之间仍存在显著差距（见表 3），这表明对接（尤其是元素对接）仍然是主要的瓶颈。

基于文本选择的对接（SEEACTChoice） 在所有测试场景和指标上表现最佳，接近监督微调，并显著优于仅使用文本的 LLMs。
基于图像标注的对接（SEEACTAnnotation） 提供了一种直观的方法，并在以对象或场景为中心的图像任务中表现良好（Yang 等, 2023a）。然而，在处理具有丰富语义和空间关系的网页截图时，GPT-4V 经常出现严重的幻觉（hallucination），即生成的元素描述虽然正确，但无法准确映射到图像中的边界框和索引标签，导致较低的元素准确率。
基于元素属性的对接（SEEACTAttribute） 由于依赖启发式的元素定位策略（基于文本和局部特征），在不包含文本的网页元素上表现较差。

LMMs 与 LLMs 比较。
使用 GPT-4V 的 SEEACTChoice 方法在三个测试集上，在所有指标上都显著优于仅使用文本的 GPT-4。

在步骤成功率上，SEEACTChoice 分别比 GPT-4 高出 6.8%、5.7% 和 12.3%。
令人惊讶的是，微调的 BLIP-2-T5 在表现上并未明显优于 FLAN-T5，尽管其具有额外的视觉输入。这可能是由于以下原因：
1. 作为图像编码器的 CLIP 模型在理解网页截图细节方面能力有限。
2. BLIP-2-T5 采用的是未专门针对网页截图优化的现成 CLIP 模型。
3. 训练集中的某些示例可能存在截图渲染失败或不准确的标注问题。

监督微调（SFT）与上下文学习（ICL）。
我们比较了 SFT 和 ICL 方法，以探索在不同场景下开发网页代理的最优策略。

ICL（使用 SEEACT） 在所有测试场景中表现稳定，尤其适用于缺乏标注数据或需要对新领域和网站进行泛化的场景。
随着对接方法的改进，ICL 方法可能进一步提高性能。
相比之下，SFT 方法在已知网站上的任务表现更好。由于网页代理的标注成本较高，ICL 提供了更具吸引力的解决方案。然而，如果目标仅限于某个特定网站的高性能代理，SFT 仍然是一个有竞争力的选择。

4.2. 在线评估结果

在在线评估中，我们让网页代理与人工标注员配对，人工标注员负责监控代理的操作，确保其不会更改真实世界的状态，并判断任务是否成功完成。为公平比较，我们将在线评估与离线评估进行对比，并重新编写时间敏感的任务（如更新航班预订日期）以确保测试时的有效性。最终，我们在来自三个测试集的 90 个任务子集上进行了在线评估。

表 4 显示，在在线评估中，整个任务成功率远高于离线评估（Offline0 设置）。这表明离线评估可能低估了模型的整体任务成功率，因为同一任务可能存在多个可行的执行计划，而离线评估仅评估其中之一。

在所有测试设置中，SEEACTChoice（结合 GPT-4V）比 GPT-4 和 FLAN-T5-XL 的整体任务成功率高出 20% 以上。使用理想对接方法（SEEACTOracle）可进一步将任务成功率提高到 51.1%。虽然 GPT-4 在离线评估中表现逊于 FLAN-T5-XL（表 2），但在在线评估中，它的整体任务成功率仍然高出 FLAN-T5-XL 4.4%。

4.3. 分析

按任务难度分析在线成功率。
我们根据人工标注员在标注过程中执行的动作数量来估算任务难度。图 3 显示，整体任务成功率与任务所需操作数量呈负相关，即任务越复杂，成功率越低。SEEACTOracle 在所有难度级别上均优于其他方法，尤其在长任务上，SEEACTOracle 与 SEEACTChoice 之间的差距扩大。这表明对接错误会在后续步骤中累积，并进一步凸显 GPT-4V 在对接方面的挑战。

基于图像标注的对接错误分析。
我们随机抽取 100 个预测正确但对接失败的示例，发现主要错误类型包括：

生成虚假的边界框和标签；
未能正确链接边界框与相应的标签。

54% 的错误是由于 GPT-4V 产生视觉幻觉，错误地假设目标元素存在，而实际上并无相应边界框；46% 的错误来自模型在识别图像中相对位置的局限性。

4.4. 案例研究

GPT-4V 在多个方面表现出色，包括：

世界知识（World Knowledge）： 在需要背景知识的任务中，GPT-4V 比微调的小型模型表现更优，例如能够正确识别洛斯卡波斯机场的 IATA 代码 SJD，而小模型通常在知识密集型任务中表现较差。
网站世界模型（World Model for Websites）： GPT-4V 具备预测网站状态变化的能力，例如预测点击按钮后的页面跳转，并基于这种认知进行未来行动的推测性规划。
错误修正能力（Error Correction Awareness）： GPT-4V 能识别并纠正错误，例如检测到手机号格式错误并生成相应的修复动作说明。

5. 相关工作

网页代理（WebAgent）

许多研究致力于改进依赖 HTML 文档的网页代理（Deng 等, 2023；Gur 等, 2023；Kim 等, 2023；Sridhar 等, 2023）。然而，原始 HTML 文档通常庞大，直接将其输入到大型语言模型（LLMs）中通常是不切实际的，或者成本过高。

MindAct（Deng 等, 2023）采用小型语言模型对 HTML 元素进行排名，并选择最相关的元素作为上下文输入。WebAgent（Gur 等, 2023）通过对 HTML 文档进行摘要，并将指令分解为多个子指令，提出了一种增强的规划策略。

另一个研究方向是为网页代理引入视觉信息（Shaw 等, 2023；Furuta 等, 2023；Hong 等, 2023）：

Pix2Act（Shaw 等, 2023）利用 Pix2Struct（Lee 等, 2022）将网页截图解析为简化的 HTML，以完成基于图形用户界面的任务。
WebGUM（Furuta 等, 2023）和 CogAgent（Hong 等, 2023）通过预训练大量网页截图-HTML 数据，提高模型在网页导航任务（如 MIND2WEB）中的决策能力。

尽管上述工作取得了进展，但现有模型在泛化到各种网页环境方面仍面临挑战。因此，SEEACT 探索了最新发布的更强大的多模态模型（LMMs），如 GPT-4V 和 Gemini，并通过全面的在线和离线评估，展示它们作为通用网页代理的潜力。在一项并行研究中（Yan 等, 2023），GPT-4V 在移动 UI 理解方面表现出色，而移动网站的复杂性通常低于桌面端网页。

大型多模态模型（Large Multimodal Models, LMMs）

GPT-4V（OpenAI, 2023）和 Gemini（Anil 等, 2023）代表了 LMMs 的重要进展。多个研究（Akter 等, 2023；OpenAI, 2023；Yang 等, 2023c；Zhang 等, 2023）强调了这些模型在视觉和语言推理能力方面的先进性和多功能性。它们在一系列基准测试（Kazemzadeh 等, 2014；Goyal 等, 2016；Zhong 等, 2023）上的出色表现也进一步证明了其在视觉-语言理解和推理方面的能力。

尽管开源模型与 GPT-4V 之间仍存在性能差距，但它们在可控性和易于针对特定应用进行微调方面具有优势。例如，CogAgent（Hong 等, 2023）在 HTML 和网页截图数据集上进行了微调，以增强网页理解能力，并通过图像编码器改进高分辨率图像的细节处理。Ferret（You 等, 2023）针对视觉引用和对接进行了微调，以提高模型在图像区域识别方面的能力。

视觉对接（Visual Grounding）

尽管 LMMs 在视觉-语言理解方面取得了显著进展，但在细粒度视觉对接方面仍面临挑战。

研究人员提出了多种**视觉提示（visual prompting）**方法，以增强 GPT-4V 处理图像细节的对接能力（Shtedritski 等, 2023；Yang 等, 2023b）。
SoM（Set-of-Mark）（Yang 等, 2023a）方法通过将图像分割成具有语义意义的区域，并叠加数字、字母、掩码或边界框等视觉标记来提升对接效果。
Kosmos-2（Peng 等, 2023）通过文本位置标记来表示边界框的位置。
BuboGPT（Zhao 等, 2023）提取图像中的实体并找到相应的掩码。
Shikra（Chen 等, 2023）通过在输入和输出中应用空间坐标作为文本标记，处理图像的细节引用和对接。
Ferret（You 等, 2023）结合离散坐标和连续特征，并使用空间感知的视觉采样器来处理不同形状的空间特征。

6. 结论

在本研究中，我们开发了 SEEACT，这是一种通用网页代理，利用 GPT-4V 等大型多模态模型的能力，集成视觉理解和网页操作。我们的研究表明，LMMs 在网页代理任务中具有巨大潜力，在提供理想对接方法的情况下，成功率可达 50%。GPT-4V 还展现出诸如错误修正和推测性规划等强大功能。

然而，细粒度视觉对接仍然是一个主要挑战。本文中探索的最有效对接策略与理想对接仍存在 20-25% 的性能差距。未来研究应充分利用网页的独特特性，例如 HTML 和视觉元素之间的已知对应关系，以改进对接过程并减少 LMMs 的幻觉。此外，在线和离线评估之间存在显著差异，强调了在线评估对于准确评估模型能力的重要性。离线评估往往低估了模型的实际能力，因为同一任务可能存在多种可行的执行方案，而离线评估仅关注其中之一。