शोधकर्ताओं ने वेब नेविगेशन के लिए एक ऑपरेटर एजेंट, OpAgent का प्रस्ताव दिया है जो वास्तविक दुनिया की वेबसाइटों में वितरण परिवर्तनों को दूर करने के लिए ऑनलाइन रीइंफोर्समेंट लर्निंग (RL) का उपयोग करता है। सिस्टम प्रत्यक्ष इंटरैक्शन के माध्यम से पॉलिसी को अनुकूलित करने के लिए हियरार्किकल मल्टी-टास्क फाइन-ट्यूनिंग को हाइब्रिड रिवार्ड मैकेनिज्म के साथ जोड़ता है।
- हियरार्किकल मल्टी-टास्क फाइन-ट्यूनिंग प्लानिंग, एक्टिंग और ग्राउंडिंग प्राइमिटिव्स के डेटासेट तैयार करता है ताकि मजबूत निर्देश-अनुपालन क्षमताएं स्थापित की जा सकें।
- ऑनलाइन एजेंटिक RL परिणाम आकलन के लिए WebJudge और प्रगति रिवार्ड्स के लिए नियम-आधारित डिसीजन ट्री का उपयोग करता है, जिससे क्रेडिट असाइनमेंट की चुनौतियों को कम किया जाता है।
- मॉड्यूलर OpAgent फ्रेमवर्क एक प्लानर, ग्राउंडर, रिफ्लेक्टर और समराइज़र को ऑर्केस्ट्रेट करता है ताकि मजबूत एरर रिकवरी और सेल्फ-करेक्शन सक्षम हो सके।
RL-संवर्धित मॉडल WebArena पर 38.1% की सफलता दर हासिल करता है, जबकि पूर्ण OpAgent फ्रेमवर्क प्रदर्शन को स्टेट-ऑफ़-द-आर्ट सफलता दर 71.6% तक बढ़ा देता है।