Los autores presentan WebMRE, un benchmark offline de 541 tareas y 5.293 pasos derivados de trayectorias exitosas de WebArena, diseñado para proporcionar un protocolo determinista para puntuar puntos de control de agentes web sin deriva del entorno. Este marco empareja oraciones guía orientadas al humano con acciones fundamentadas para estudiar el efecto de refuerzo mutuo entre ellas.
- La decodificación conjunta de una guía eleva la selección de elementos en 0,9 y 0,2 puntos para Qwen3.5-4B, y en 1,7 y 2,2 puntos para Qwen3.5-9B.
- El análisis de mediación confirma que la guía actúa como un canal causal: forzar la guía dorada como prefijo de decodificación eleva la precisión de la acción de .422 a .684.
- Los modelos ajustados superan a GPT-5.5, Claude Opus 4.8 y Gemini 3.5 Flash en métricas offline de zero-shot.
El estudio demuestra que las guías transportan significado instruccional en lugar de solo cadenas de etiquetas, ofreciendo un método reproducible para evaluar fenómenos de entrenamiento en agentes web.