Summary
Go-Browse 把网站探索形式化为图发现（网页=节点、跳转=边），用类 BFS 外循环维护”已发现未探索”URL frontier，内循环在每个页面上做局部任务提案与求解——核心是信息跨 episode 复用：一次发现的页面为后续所有任务服务，而非像 NNetNav 那样每条轨迹独立重新导航。在 WebArena 5 域 100 个 URL 收集 9,504 条成功轨迹（$975.57），Qwen-2.5-7B 微调后 WebArena 21.7%，超 NNetNav-7B（18.8%）2.9pp、超 GPT-4o-mini 2.4pp。
Problem & Motivation
非结构化探索（2410-NNetNav 式）浪费算力：独立 episode 反复重新发现相同页面、生成相似任务，且难以到达深层页面。把导航（找到正确页面）与局部任务执行解耦，可以系统性覆盖网站拓扑。
Method
- 外循环（图发现）：维护 discovered-but-unexplored URL frontier，BFS 式遍历；每域 20 个 URL、共 100 节点。
- 内循环（页面局部）：NavExplorer（Claude-3.7-Sonnet）提出导航型任务探索邻居页；PageExplorer（GPT-4o + Claude）基于当前页功能生成具体可行的本地任务（信息查找/导航/内容修改）；FeasibilityChecker（Claude 尝试执行 ≤3 次 + GPT-4o judge）过滤不可行任务——滤掉 403 个任务、省 13% rollout；Solvers 用便宜模型（GPT-4o-mini/Qwen-7B）批量产轨迹。
- Prefixed sampling（关键设计）：求解器可以直接从已发现页面出发（前缀=到达该页的导航），而非每次从根开始——深层节点上成功率显著更高，让弱模型也能贡献数据（bootstrapping）。
- 基建：依赖 WebArena 可重置沙盒；reset 频率影响覆盖（1 reset/30 任务→183 URL vs 15 reset/2 任务→260 URL）；5 节点 SLURM 3 周 + 8×H100 微调 40 小时。
Key Results
- 数据：9,504 成功 + 17,245 失败轨迹 / 3,422 唯一任务 / $975.57。
- WebArena 21.7%（Qwen-2.5-7B）：> NNetNav-7B 18.8%、> GPT-4o-mini 19.3%；Reddit 30.7% / Admin 25.3% / Shopping 22.4%。
- OOD 警示：Online-Mind2Web 上只有 5.33%（NNetNav-7B 4.00%，GPT-4o-mini 9.33%）——沙盒内结构化探索的收益不迁移到真实网站。
Strengths & Weaknesses
Strengths：图发现 framing 干净且可复用（页面级知识是跨任务资产）；prefixed sampling 是”环境提供中间态起点”价值的直接实证——弱模型在深节点的成功率靠它撑起；FeasibilityChecker 的预过滤经济学量化清楚。
Weaknesses / 边界：
- reset 依赖：内容修改类任务会污染共享沙盒，reset 频率成了覆盖率的调节旋钮（183 vs 260 URL）——图发现范式把环境的 reset 成本直接变成了数据质量约束。
- 只在 WebArena 5 域验证；OOD 5.33% 说明学到的可能是站点拓扑记忆而非通用探索能力（NNetNav 在真 OOD 上反而相对更稳）。
- 17K 失败轨迹未利用（自认，留给 RL）。
- 多模型流水线（Claude+GPT-4o）成本结构复杂，$975 只是 API 账单。
Mind Map
mindmap root((GoBrowse)) Problem 非结构化探索重复浪费 深层页面难到达 Method 网站=图 BFS frontier 页面局部任务提案 prefixed sampling弱模型可用 FeasibilityChecker省13% Results WebArena 21.7 超NNetNav OOD仅5.33不迁移 reset频率↔URL覆盖
Notes
- 对 AFE 的证据价值（map + init affordance 的数据侧实证）：Go-Browse 的图发现 = 在数据采集时手工构建了 CUA-Survey AFE Protocol 的
map()（route graph）；prefixed sampling = 轴 1 L3”可编程注入中间态”的价值证明（深节点成功率、弱模型 bootstrap）。这两个 affordance 目前只在训练管线里用，没暴露给推理时的 agent——与 WebOperator 的 checkpoint 同属”engine 能力被 trainer 独占”的证据。 - “reset 频率 ↔ URL 覆盖”的权衡是 reset 成本进入数据质量的直接量化——WebServ 式 O(1) 快照可以让这个权衡消失（每任务独立 fork）。
- OOD 崩塌（21.7%→5.33%）与 2410-NNetNav 的 WebArena→live 9.5% 一致：沙盒合成数据的站点绑定问题是任务供给家族的共同软肋，支持 survey 轴 5 “任务多样性>单站深度”的推断。