作者提出了 WebWorld，这是一个接口，允许视觉语言模型（VLM）将浏览器作为确定性世界模型来自主交互以生成网页代码。该方法通过引入一个无法被欺骗的对方实体，解决了 VLM 驱动的自我改进中模型自行评判其修复结果的结构缺陷。

  • VLM 发出批评意见并编译为交互契约，浏览器根据目标进展和能力保留情况重新执行这些契约并发出验收证书。
  • 经过认证的转换累积形成质量棘轮，用于监督微调（SFT）导出。
  • WebWorld-27B 在 HTMLBench-400 上比 Raw-27B 提升了 5.3 分，在 MiniAppBench-Val 上提升了 14.9 分。
  • 该系统在交互式 HTML 生成方面的性能水平与 Kimi-K2.6 和 GPT-5.4 相当。
  • 消融实验证实，浏览器支持的准入机制是性能提升的原因，因为移除证书会导致提升效果几乎消失。

该方法提供了一个严格的验证循环，确保网页代码在用户操作下真正可用，而不仅仅是视觉上合理。