WebArbiter: 原理に基づく推論プロセス報酬モデルによるWebエージェントの進化

要約

WebArbiterは、Webエージェント向けの新しいプロセス報酬モデル（WebPRM）であり、報酬モデリングをテキスト生成として定式化することで、構造化された正当化と判定を出力します。推論蒸留と強化学習の2段階訓練により、GPT-5を含む既存モデルを上回る性能と汎用性を実現しました。

全文は有料プランで閲覧できます。