연구진이 PageMem 기반의 WebChallenger 웹 에이전트 프레임워크를 공개했어요. PageMem은 웹 페이지를 계층 구조로 표현하여 에이전트가 관련 정보에 집중할 수 있도록 돕습니다. 기존 방식과 달리 모델 크기를 키우지 않고도 웹 환경에서 효율적인 작업을 수행할 수 있도록 설계됐어요. WorkArena에서 70.9%의 정확도를 기록하며, 독점 시스템에 버금가는 성능을 냈어요.
WebChallenger는 웹 페이지의 구조를 학습하고 재사용 가능한 지도를 구축하여 웹사이트별 어댑터 없이도 일반화가 가능해요. PageMem을 기반으로 웹 페이지의 관련 정보를 추출하고, 웹사이트 구조를 기억하며, 반복적인 상호 작용 패턴을 처리하는 기능을 제공합니다. 오픈 웨이트 모델을 사용했음에도 불구하고 WebArena에서 56.3%의 정확도를 달성했어요.
WebChallenger는 기존 LLM 에이전트의 한계를 극복하기 위해 개발되었으며, 선택적 주의 집중, 지속적인 메모리, 절차적 유창성이라는 세 가지 인간 인지적 장점을 모방합니다. 이를 통해 웹 탐색의 어려움을 해결하고, 반복적인 작업에서 비용 효율적인 솔루션을 제공합니다. GitHub에서 코드를 확인할 수 있어요.
연구진은 WebChallenger가 LLM 에이전트의 성능을 향상시키는 데 기여할 것으로 기대하며, 향후 연구를 통해 더욱 발전된 웹 에이전트 개발을 목표로 하고 있어요.