Авторы представляют WebWorld, интерфейс, который позволяет Vision-Language Model (VLM) автономно взаимодействовать с браузером как с детерминированной моделью мира для веб-кода. Этот подход устраняет структурный недостаток самосовершенствования на основе VLM, при котором модель оценивает собственные исправления, вводя контрагента, которого невозможно обмануть.

  • VLM генерирует критические замечания, которые компилируются во взаимодействия контрактов, которые браузер повторно выполняет для выдачи сертификатов принятия на основе прогресса цели и сохранения возможностей.
  • Сертифицированные переходы накапливаются как рatchet качества, используемый для экспорта Supervised Fine-Tuning (SFT).
  • WebWorld-27B улучшает Raw-27B на 5.3 балла в HTMLBench-400 и на 14.9 баллов в MiniAppBench-Val.
  • Система достигает уровней производительности, сопоставимых с Kimi-K2.6 и GPT-5.4 в интерактивной генерации HTML.
  • Аблиции подтверждают, что браузерная поддержка принятия ответственна за улучшения, поскольку удаление сертификата приводит к почти полному исчезновению прироста.

Этот метод обеспечивает строгий цикл верификации, который гарантирует, что веб-код действительно работает под действиями пользователя, а не просто выглядит визуально правдоподобным.