WebSynthesis：世界模型引导的 Monte Carlo Tree Search，用于高效合成 WebAgent 轨迹

基于摘要分析。该研究面向网页智能体训练中高质量交互轨迹难以规模化获取的问题，提出 WebSynthesis，通过 LLM 世界模型模拟网页状态转移，并结合 Monte Carlo Tree Search 合成训练轨迹，降低对真实网站交互的依赖。 作者将数据采集瓶颈归纳为两类：一是网络不稳定与网站访问限制带来的基础设施开销；二是真实交互中的不可逆状态转移限制树搜索，使探索范围与轨迹多样性受限。WebSynthesis 在模拟状态空间中执行可逆探索，以支持树搜索。摘要未说明世界模型的训练数据、状态与动作表示、搜索奖励、节点选择与轨迹筛选规则，这些机制细节尚未验证。 作者报告，在 WebArena、WebVoyager 和 Mind2Web-Online 上，仅使用合成轨迹训练的智能体优于使用真实交互数据训练的智能体。摘要未给出具体指标、分数、数据规模或训练预算，因此不能判断提升幅度，也不能确认不同数据来源之间的预算与质量是否匹配。实验协议、消融及统计信息尚未验证。 阅读全文时需重点核对模拟状态转移与真实网页行为的一致性、搜索与合成的数据成本，以及评估任务与轨迹生成数据之间的划分。这些是验证其能否替代真实数据采集的关键条件，并非已发现的问题。本文的主要研究对象是网页智能体；当前材料未提供 EEG/BCI 信号建模或交互控制的具体对应机制，不据此推断 BCI 有效性。