知识卡片：判别式世界模型用于网络智能体

一句话结论

该工作提出用“预测状态匹配”（predicted-state matching）训练判别式世界模型，使网络智能体在测试时通过预测并区分不同动作导致的网页状态来选择更优动作，相关实验表明该方法优于传统监督式下一状态预测训练的世界模型。

研究问题

现有网络智能体常使用世界模型进行测试时动作选择：先采样候选动作，预测每个动作会产生的网页状态，再用排序器或过程奖励模型（PRM）对这些预测状态打分。然而，这类世界模型通常用监督式下一状态预测训练，目标是生成固定的 HTML 或 AXTree 快照，这一目标与下游排序器不匹配——排序器需要预测状态在不同候选动作之间具有区分性，才能准确打分。

方法/产品要点

提出一种新的训练目标：预测状态匹配。要求预测出的状态表征（representation）必须能够区分“真实动作导致的状态”与“其他候选动作导致的状态”。
使用从 WebArena Go-Browse 轨迹中导出的分支式网络智能体数据集进行训练，其中每个决策点包含多个可选动作及对应的结果状态。
在测试时，使用训练好的世界模型预测候选动作的后续状态，并结合排序器/PRM 进行动作排名与选择。

主要结果 / 产业意义

在专门的留出集预测状态匹配基准上，该方法的性能优于使用监督式下一状态预测训练的世界模型。
在 WebPRMBench 上，与仅用动作的 PRM、以及用监督式下一状态预测世界模型增强的 PRM 相比，该方法提升了 PRM 式动作排序效果。
在 WebArena-Lite 上，将该世界模型用于测试时动作选择可提升端到端任务成功率。

为什么重要

现有相关卡片多关注基础模型的数据集或基准构建（如 Deform360、RMISC、UniClawBench），而本条聚焦于“世界模型训练目标”本身与下游任务（智能体动作排序/选择）之间的对齐问题。
若这一目标被验证有效，可能为网络智能体中的世界模型训练提供新的范式，增强长程网页导航任务中的决策能力。

局限与不确定性

原文摘要未提供完整实验设置、数据集划分细节、绝对性能数值以及消融规模，具体效果幅度待核实。
方法是否可推广到 WebArena 之外的更广泛网页环境、以及是否需要大规模人工标注分支轨迹，待核实。
原文链接（arXiv: 2609.02885v1）发布信息较为异常，题目与摘要细节需以正式发表版本或项目页面为准，部分元数据待核实。

可用于图书/PPT/简报的角度

网络智能体决策示例：在网页上点击登录或跳过登录，应预测哪个动作更可能导向目标状态，而不是仅机械生成页面快照。
与已有卡片形成“数据 → 预训练 → 决策对齐”的叙事：Deform360/RMISC/UniClawBench 之后，本条关注世界模型与下游判别的对齐训练。
对“基础模型 + Agent”的研究人员：如何将生成式训练目标改为“判别式目标”来提升推理阶段的动作选择能力。

与既有脉络的关系

本条是“世界模型用于智能体动作选择”方向中的训练目标改进，与 Deform360（视觉/触觉世界模型）、RMISC（时序基础模型）的直接关联为“世界模型”概念延伸。
相比 UniClawBench 侧重真实任务评估，本条侧重模型训练方法的增量贡献：不改变下游排序器结构，而是改变世界模型的训练目标。

原始材料

URL: https://arxiv.org/abs/2609.02885v1
英文标题: Discriminative World Models for Web Agents
英文关键词: foundation-model / world models / web agents / action selection / predicted-state matching（基于摘要归纳，原文未提供显式关键词，待核实）
原始来源：arXiv preprint（v1），未能抓取正文，以上内容基于该条自带的摘要元数据生成，无法从材料确认的部分已标注“待核实”。