/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
1 апр 2026

WebArbiter-7B

Генерация текстаТекст → текст3 профессии

Модель на основе Qwen2.5-7B оценивает и сравнивает действия веб-агентов, выдавая текстовые обоснования и предпочтительный вариант.

45скачиваний за 30 дней1лайквеса обновлены9 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

WebArbiter-7B — языковая модель на основе Qwen2.5-7B-Instruct, разработанная для оценки действий веб-агентов. Она анализирует текстовое представление состояния страницы и варианты действий, генерирует структурированное объяснение и выносит предпочтительный вердикт о том, какое действие лучше продвигает задачу пользователя. Модель предназначена для ранжирования действий и траекторий, управления поиском по нескольким вариантам выполнения и анализа решений веб-агента.

Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 с плотной причинной языковой моделью и поддерживает контекст до 32 768 токенов. Она принимает текстовые наблюдения, включая представления дерева доступности, и выдаёт текст с обоснованием и вердиктом. Обучение и оценка проводились на англоязычных веб-сценариях; README сообщает о сильных результатах на WEBPRMBENCH и улучшении поиска траекторий в WebArena-Lite.

Ограничения включают отсутствие визуальных наблюдений, возможную предвзятость к осторожным действиям и ошибки в проверке ссылок на элементы интерфейса. Модель опубликована под лицензией Apache-2.0.

Сценарии применения

  • сравнение двух действий веб-агента по состоянию страницы
  • выбор наиболее перспективного действия для выполнения задачи на сайте
  • оценка и ранжирование траекторий веб-агента
  • подбор лучшей траектории при Best-of-N поиске
  • получение объяснений решений веб-агента для отладки

Ограничения

Модель использует только текстовые наблюдения и может упускать важные визуальные или пространственные сигналы. Она обучалась на англоязычных веб-сценариях, может предпочитать чрезмерно осторожные действия и ошибаться в проверке ссылок на элементы интерфейса.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

WebArbiter-7B

A principle-guided reasoning Process Reward Model for web agents

Published at ICLR 2026

Paper | Code | Website | Collection | Demo

Introduction

WebArbiter-7B is a 7B reasoning Process Reward Model (PRM) for web agents, built on Qwen2.5-7B-Instruct. Unlike scalar or checklist-based reward models, WebArbiter formulates step-level reward modeling as structured text generation — producing interpretable, principle-inducing justifications that conclude with a preference verdict identifying the action most conducive to task completion.

On WEBPRMBENCH, WebArbiter-7B achieves an Avg. BoN Acc of 74.60%, outperforming GPT-5 by 9.1 points and the previous SOTA WebPRM (WebShepherd-8B) by 31 points. In reward-guided trajectory search on WebArena-Lite, it surpasses WebShepherd-8B by up to 6.4 points in success rate.

Highlights

  • Reasoning as reward: Generates structured <State>, <Criteria>, <Analysis>, and <Answer> outputs with auditable reasoning chains, instead of scalar scores or brittle checklists.
  • Principle-inducing evaluation: Dynamically derives evaluation principles from user intent and page state, enabling robust assessment that generalizes across environments.
  • Two-stage training: Reasoning distillation from o3 (SFT) followed by RL with Verifiable Rewards (GRPO) to correct teacher biases and align verdicts with ground-truth correctness.
  • Robust generalization: SOTA performance across all four WebPRMBench environments, including out-of-domain enterprise workflows (WorkArena) and open-world websites (AssistantBench).

Results on WebPRMBench

Models marked with ⋆ are ours. Bold = best overall.

ModelMind2WebWebArenaAssistantBenchWorkArenaAvg.
PairBoNPairBoNPairBoNPairBoNPairBoN
Proprietary LLM-as-judge
GPT-4o-mini81.7450.9278.2356.7289.1773.3381.4346.7082.6456.92
GPT-4o79.9952.6284.5866.6785.8366.6784.3355.1983.6860.29
GPT-580.8662.3984.8371.6481.6763.3381.1464.6282.1365.50
Claude-3.7-Sonnet80.2057.9082.8064.1081.5061.3082.1060.6081.6560.98
Gemini-2.5-Flash81.3057.0182.7162.1980.0063.3383.3056.1381.8359.67
DeepSeek-R181.6257.3782.0460.2178.4956.1884.1263.8981.5759.41
Open-source LLM-as-judge
Qwen2.5-7B-Instruct77.7939.1874.8842.7984.1753.3377.5835.8577.6142.78
Llama-3-70B-Instruct80.5549.3677.3650.7585.8370.0079.0840.0980.7152.55
WebPRMs
WebShepherd-8B86.6673.6968.3343.8855.9230.0054.5625.5364.3443.28
⋆ WebArbiter-7B97.0789.5388.4368.6689.1770.0082.0970.1989.1974.60

Reward-Guided Trajectory Search (WebArena-Lite)

WebArbiter also excels as a practical reward signal for trajectory search. Using Best-of-5 sampling with a Knockout Tournament mechanism on WebArena-Lite:

PolicyWebPRMShoppingCMSRedditGitLabMAPAvg.Δ
GPT-4o-miniw/o Search21.7422.8619.0534.3819.3523.48—
GPT-4o-miniGPT-4o-mini (as WebPRM)24.4422.8626.3233.3315.3824.47+0.99
GPT-4o-miniWebShepherd-8B26.0945.7123.8140.6235.4834.34+10.86
GPT-4o-miniWebArbiter-7B37.7842.8636.8446.6738.4640.52+17.04
GPT-4ow/o Search23.9131.4328.5756.2519.3531.90—
GPT-4oGPT-4o-mini (as WebPRM)26.6737.1442.1140.0019.2333.03+1.13
GPT-4oWebShepherd-8B30.4342.8647.6246.8835.4840.65+8.75
GPT-4oWebArbiter-7B44.4442.8652.6356.6738.4647.01+15.11

Quick Start

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "ZYao720/WebArbiter-7B"

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
)

# Construct your prompt following the WebPRMBench format.
# See https://huggingface.co/datasets/ZYao720/WEBPRMBENCH for examples.
user_prompt = "..."  # evaluation prompt with intent, AXTree, trajectory, two responses

messages = [{"role": "user", "content": user_prompt}]
input_ids = tokenizer.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=True, return_tensors="pt",
).to(model.device)

with torch.no_grad():
    output = model.generate(input_ids=input_ids, max_new_tokens=2048, do_sample=False)

response = tokenizer.decode(output[0][len(input_ids[0]):], skip_special_tokens=True)
print(response)

Example output:

<State>The user is on the DuckDuckGo homepage with a search box visible.
Relevant AXTree elements: [1] textbox 'Search', [2] button 'Search'.</State>
<Criteria>1. Goal alignment (weight 0.6) — Does the action advance the search task?
2. Element reference accuracy (weight 0.25) — Is the referenced element correct?
3. Efficiency (weight 0.15) — Does the action avoid unnecessary steps?</Criteria>
<Analysis>Response 1 directly fills the search query into the textbox, which is the
most direct path to completing the search task. Response 2 clicks an irrelevant link
that does not contribute to the search goal.</Analysis>
<Answer>Response 1</Answer>

Training Details

Stage 1: Reasoning DistillationStage 2: RLVR
MethodSupervised fine-tuning (SFT)GRPO with binary verifiable rewards
Data9,642 teacher-distilled examples18,921 preference pairs
Teachero3—
Base ModelQwen2.5-7B-InstructStage 1 checkpoint
Fine-tuningLoRA (rank 128, lr 8e-4)FSDP + LoRA (lr 7e-6)
FrameworkLLaMA-FactoryveRL
Hardware8 × NVIDIA A100-80GB8 × NVIDIA A100-80GB
Source DataWebPRM Collection (~30k step-level preference pairs from Mind2Web)

Key training insights (from ablation studies in the paper):

  • Explicit principles are essential — removing them notably degrades performance, especially on out-of-domain environments.
  • Cold-start RL without reasoning distillation is unstable across environments.
  • Reasoning distillation provides stable discrimination, while RL acts as an amplifier that widens the margin between correct and incorrect judgments.

Intended Uses

WebArbiter-7B is designed to:

  • Evaluate web agent actions: Given a web state and two candidate actions, determine which better advances the user's task.
  • Guide trajectory search: Serve as a reward signal for Best-of-N sampling or tree search during web agent execution.
  • Provide interpretable feedback: Generate structured justifications explaining why one action is preferred, useful for debugging and analysis.

Limitations

  • Text-only observations: WebArbiter relies on accessibility tree representations without visual observations. In environments where layout, spatial arrangement, or visual cues carry task-relevant information, this text-only formulation may miss critical signals.
  • English-only: Training and evaluation are conducted exclusively in English-language web environments.
  • Safe-action bias: The model may sometimes overvalue cautious actions (e.g., hover over click) because the accessibility tree does not encode interaction effects.
  • Element reference hallucination: When a candidate action's reasoning is strongly task-aligned, the model may trust the semantic signal over low-level bid verification, potentially missing incorrect element references.

License

This model is released under Apache 2.0, following the base model Qwen2.5-7B-Instruct.

Related Resources

ResourceLink
WebArbiter-8B-Qwen3 (strongest)ZYao720/WebArbiter-8B-Qwen3
WebArbiter-4B-Qwen3ZYao720/WebArbiter-4B-Qwen3
WebArbiter-3BZYao720/WebArbiter-3B
WEBPRMBENCH (benchmark)ZYao720/WEBPRMBENCH
Training DataZYao720/WebArbiter-Data
Search TrajectoriesZYao720/WebArbiter-Trajectories

Citation

@misc{zhang2026ZYao720principleguidedreasoningprocess,
      title={WebArbiter: A Principle-Guided Reasoning Process Reward Model for Web Agents}, 
      author={Yao Zhang and Shijie Tang and Zeyu Li and Zhen Han and Volker Tresp},
      year={2026},
      eprint={2601.21872},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2601.21872}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
6518479

0 моделей