複雑で常に変化するWeb上で動作するAIエージェントの訓練は、データの収集と再現性の確保が大きな障壁となっていた。研究チームが開発した「Weblica」は、実在するWebサイトの状態をキャッシュし安定した学習環境を構築する技術と、大規模言語モデル（LLM）による多様な訓練環境の自動合成を組み合わせることで、この課題の解決を目指す。

訓練環境の「再現性」を阻むWebの動的性質

AIエージェントの強化学習（RL）では、同じ操作に対して同じ結果が返る安定した環境が不可欠だ。しかし、実在のWebサイトは秒単位で情報が更新され、UIも頻繁に改修される。この「動的な標的」という性質が、実験結果の再現や公平な性能比較を困難にし、研究開発のボトルネックとなってきた。従来は少数のシミュレーション環境か、静的なデータセットに頼らざるを得ず、現実のWebが持つ多様性を訓練に反映できない根本的な限界があった。

Weblicaの核：HTTPキャッシュとLLMによる環境合成

Weblicaの中核をなすのが、HTTP通信レベルでWebページの状態をキャッシュする技術だ。これにより、現実のWebサイトが更新された後も、特定時点の視覚状態とインタラクションを「複製」として保存し、後日でも全く同じ環境を再現できる。さらに、この再現性の高い基盤の上で、LLMを用いて実在サイトに基づいた多様なタスクとナビゲーションスキルを合成する。この二段構えのアプローチにより、数千に及ぶ多様かつ再現可能な訓練環境をスケーラブルに生成することを可能にしている。

効率性で既存モデルを凌駕するWeblica-8B

このフレームワークで訓練された80億パラメータのモデル「Weblica-8B」は、複数のWebナビゲーション性能評価試験において、同規模のオープンソースモデルを上回る性能を示した。特に注目すべきは、タスク達成に必要な推論ステップ数がより少なく、処理効率に優れている点だ。追加の計算リソースを推論時に投入することで性能が向上する「テスト時計算スケーリング」にも対応し、大規模なAPIベースモデルと競合しうる水準に達している。

エージェント開発の競争軸を「データ」から「環境」へ

大規模言語モデル（LLM）の性能が飽和しつつある中、次の主戦場は特定の目的を自律的に遂行するAIエージェントに移行している。Weblicaは、希少で高価な人間の操作ログに依存する教師あり学習ではなく、多様な仮想環境で試行錯誤を通じて学習する強化学習の道を本格的に開拓する技術だ。これは、エージェント開発の競争軸が、モデルのパラメータ数やデータセットの規模から、いかに現実的で多様な「訓練環境」を設計・生成できるかという点に移行しつつあることを示唆している。