模倣から識別へ：堅牢なWebナビゲーションのためのプログレッシブ・カリキュラム学習

要旨: テキストベースのWebエージェントは、自律的なWebナビゲーションにおいて計算効率を提供しますが、現実世界のHTMLはノイズが多様で異種性が高いため、堅牢なエージェントの開発は依然として困難です。標準的な教師あり微調整（SFT）の手法は、2つの重要な側面で失敗します。第一に、密に要素が配置されたページにおいてもっともらしいが誤りの要素を退けるための識別能力が欠けていること、第二に、未見のサイトレイアウトへの汎化が限定的であることです。これらの課題に対処するため、我々はTritonデータセット（590k件）と進行的な学習カリキュラムを導入します。Tritonは、構造的・意味的ハードネガティブマイニングにより位相的に類似した攪乱（distractor）を明示的に掘り起こし、厳密な検証を伴うデュアルエージェントのコンセンサス（Dual-Agent Consensus）により多様なドメイン横断タスクを合成することで構築されます。この基盤の上で、進行的カリキュラムは3つのモデルを生成します。基本的な模倣にはTriton-SFT-32B、Odds Ratio Preference Optimizationによる堅牢な識別にはTriton-ORPO-32B、Group Relative Policy Optimizationによる長期ホライズンの一貫性にはTriton-GRPO-32Bです。Mind2Webでの実証評価により、Triton-GRPO-32Bは、ステップ成功率58.7%により、オープンソースモデル群の中で最先端の性能を達成し、GPT-4.5（42.4%）およびClaude-4.5（41.4%）を16%以上上回ることが示されました。これは、Webナビゲーションにおいて、生のパラメータ規模よりも専門化されたデータカリキュラムの方が重要であることを裏付けています。