著者らは、Vision-Language Model (VLM) がウェブコードに対する決定論的な世界モデルとしてブラウザと自律的に相互作用できるインターフェースであるWebWorldを発表する。このアプローチは、モデルが自身の修正を評価するというVLM駆動の自己改善における構造的欠陥に対処し、騙すことのできない相手を導入することでこれを解決する。

  • VLMは批判を発行し、それらはインタラクション契約にまとめられ、ブラウザによって再実行される。ブラウザは目標の進捗と能力の維持に基づいて承認証書を発行する。
  • 認証済み遷移は品質ラッチとして蓄積され、Supervised Fine-Tuning (SFT) エクスポートに使用される。
  • WebWorld-27Bは、HTMLBench-400で5.3ポイント、MiniAppBench-Valで14.9ポイント改善し、Raw-27Bを上回る。
  • システムはインタラクティブなHTML生成においてKimi-K2.6およびGPT-5.4と同等のパフォーマンスレベルに達する。
  • アブレーションにより、ブラウザによる承認が性能向上の要因であることが確認された。証明書を除去すると、性能向上はほぼ消失する。

この手法は、ユーザー操作の下でウェブコードが実際に機能することを保証する厳密な検証ループを提供する。