Les auteurs présentent WebWorld, une interface qui permet à un Modèle Vision-Language (VLM) d'interagir de manière autonome avec le navigateur en tant que modèle du monde déterministe pour le code web. Cette approche comble la faille structurelle dans l'auto-amélioration pilotée par VLM où le modèle juge ses propres réparations en introduisant une contrepartie qui ne peut pas être trompée.

  • Le VLM émet des critiques compilées en contrats d'interaction, que le navigateur réexécute pour délivrer des certificats d'acceptation basés sur la progression cible et la préservation des capacités.
  • Les transitions certifiées s'accumulent comme un cliquet de qualité utilisé pour l'exportation du Supervised Fine-Tuning (SFT).
  • WebWorld-27B améliore Raw-27B de 5,3 points sur HTMLBench-400 et de 14,9 points sur MiniAppBench-Val.
  • Le système atteint des niveaux de performance comparables à Kimi-K2.6 et GPT-5.4 sur la génération interactive de HTML.
  • Les ablations confirment que l'admission soutenue par le navigateur est responsable des gains, car supprimer le certificat fait disparaître presque entièrement l'amélioration.

Cette méthode fournit une boucle de vérification rigoureuse qui garantit que le code web fonctionne réellement sous les actions de l'utilisateur plutôt que de simplement paraître visuellement plausible.