作者推出了WebMRE，这是一个包含541个任务和5,293个步骤的离线基准，源自成功的WebArena轨迹，旨在为评估网页代理的检查点提供确定性的评分协议，避免环境漂移。该框架将面向人类的引导语句与接地动作配对，以研究二者之间的相互强化效应。

  • 联合解码引导语句使Qwen3.5-4B的元素选择得分提升0.9和0.2分，并使Qwen3.5-9B提升1.7和2.2分。
  • 中介分析证实引导语句充当因果通道：强制将黄金引导语句作为解码前缀可将动作准确率从0.422提升至0.684。
  • 微调模型在零样本离线指标上优于GPT-5.5、Claude Opus 4.8和Gemini 3.5 Flash。

该研究表明，引导语句携带指令含义而不仅仅是标签字符串，为评估网页代理中的训练现象提供了一种可复现的方法。