AI2 Releases Fully Open-Source Web Agent MolmoWeb: Controlling Web Pages Using Only "Vision"

marsbitОпубликовано 2026-03-26Обновлено 2026-03-26

Введение

AI2 has released MolmoWeb, a groundbreaking, fully open-source web agent that operates solely by analyzing screenshots, marking a significant leap in vision-driven web navigation. Unlike traditional agents that rely on DOM, MolmoWeb captures and interprets visual data to make decisions—such as clicking, scrolling, or typing—making its process transparent and robust. Despite its compact size (4B and 8B parameters), MolmoWeb performs impressively: it scores 78.2% on the WebVoyager benchmark, nearing OpenAI’s proprietary o3 model (79.3%), and achieves up to 94.7% success with multiple attempts. It even surpasses Anthropic’s Claude3.7 in UI element localization. AI2 also released MolmoWebMix, a massive open dataset with 36K human-browsing tasks, over 2.2M screenshot-QA pairs, and GPT-4o-verified synthetic data. The model and data are fully available on Hugging Face and GitHub under Apache 2.0, promoting transparency and collaboration in AI development. Challenges remain in complex instructions, logins, and legal compliance.

The Allen Institute for Artificial Intelligence (AI2) recently released the groundbreaking fully open-source web agent MolmoWeb . Unlike traditional agents that rely on a webpage's underlying code (DOM), MolmoWeb makes decisions solely by reading screenshots, marking a significant leap forward in "vision-driven" web navigation technology.

Core Technology: "Seeing" Web Pages Like a Human

MolmoWeb's operating logic is very intuitive: it captures a screenshot of the current browser window, decides the next action (such as clicking, scrolling, or paging) through visual analysis, then executes it and repeats. This "what you see is what you get" model makes it more robust than traditional agents because the visual layout of a webpage is generally more stable than its underlying code, and its decision-making process is completely transparent and explainable to human users.

Performance Leap: Small Model Outperforms Giants

Despite having parameter sizes of only 4B and 8B, MolmoWeb demonstrates a "small but mighty" performance:

  • Topping the Charts: In the WebVoyager test, the 8B version scored an impressive 78.2%, not only ranking among the top open-source models but also approaching the performance of OpenAI's proprietary model o3 (79.3%).

  • Huge Potential: Research found that by running tasks multiple times and selecting the optimal result, its success rate could further jump to 94.7%.

  • Precise Localization: In UI element localization benchmark tests, it even surpassed Anthropic's Claude3.7.

Data Support: The Largest Open Dataset to Date

AI2 has not only open-sourced the model weights but also contributed a massive dataset named MolmoWebMix. This dataset contains:

  • 36,000 real browsing tasks completed by human volunteers.

  • Over 2.2 million screenshot-question-answer pairs.

  • Automated synthetic data verified by GPT-4o. Experiments show that synthetic data is even better than human trajectories at guiding the agent to find the "optimal path".

Open-Source Spirit and Future Challenges

Currently, MolmoWeb is fully available under the Apache 2.0 license on Hugging Face and GitHub. Although it still faces challenges in handling complex instructions, login authentication, and legal compliance (such as terms of service), AI2 firmly believes that only through complete transparency and community collaboration can we truly counter the data monopoly of large tech companies.

Связанные с этим вопросы

QWhat is the name of the fully open-source web agent released by the Allen Institute for AI (AI2) that navigates using only screenshots?

AThe web agent is called MolmoWeb.

QHow does MolmoWeb's approach to web navigation differ from traditional web agents?

AUnlike traditional agents that rely on a webpage's underlying code (DOM), MolmoWeb makes decisions by reading and analyzing screenshots, making it a 'vision-driven' technology.

QWhat was the performance score of the 8B parameter version of MolmoWeb on the WebVoyager test, and how does it compare to OpenAI's model?

AThe 8B version scored 78.2% on the WebVoyager test, which is very close to the performance of OpenAI's proprietary model o3, which scored 79.3%.

QWhat is the name of the large, open dataset released alongside MolmoWeb, and what does it contain?

AThe dataset is called MolmoWebMix. It contains 36,000 real browsing tasks completed by human volunteers, over 2.2 million screenshot-QA pairs, and automated synthetic data verified by GPT-4o.

QOn which platforms has MolmoWeb been made available, and under what license?

AMolmoWeb has been fully released on Hugging Face and GitHub under the Apache 2.0 license.

Похожее

Спустя шесть лет, UNI наконец дождался своего «быка обратного выкупа»

За шесть лет UNI наконец-то дождался своего «бычьего выкупа». В декабре 2025 года Uniswap запустил механизм перераспределения комиссий протокола (UNIfication), направляя часть доходов на постоянный выкуп и сжигание токенов UNI через контракт Firepit. Первоначально эффект был слабым, но в июле 2025 года, с запуском Robinhood Chain и интеграцией Uniswap v4, ежедневный объем транзакций резко вырос. Доходы протокола утроились, а ежедневные средства на выкуп UNI достигли $325 тыс. Токен превратился из чисто управленческого актива в инструмент с реальным денежным потоком. Успех механизма выкупа объясняется зрелой и диверсифицированной структурой распределения токенов UNI, в отличие от многих новых проектов. Ключевой вопрос будущего — сможет ли высокая активность на Robinhood Chain сохраниться после окончания 90-дневного периода газовых субсидий.

marsbit2 мин. назад

Спустя шесть лет, UNI наконец дождался своего «быка обратного выкупа»

marsbit2 мин. назад

В июле инвестировали лишь 153 венчурных компании: индустрия криптованчурных инвестиций переживает «великое вымирание»?

По данным CryptoRank, в июле 2026 года в финансировании криптопроектов участвовало всего 153 различных венчурных компании — это самый низкий месячный показатель с ноября 2020 года. По сравнению с пиком в 1177 компаний в 2022 году активность снизилась примерно на 87%. Эта тенденция сокращения происходит на фоне общего роста глобального венчурного капитала, который во втором квартале 2026 года достиг рекордных уровней, в основном благодаря крупным инвестициям в сектор ИИ. За первые семь месяцев 2026 года криптоиндустрия привлекла около $11,78 млрд за 481 раунд финансирования. Основная часть средств (53%) пришлась на биржи, рынки предсказаний и платежные системы. Наблюдается концентрация капитала: крупные суммы получают少数 проектов на поздних стадиях и сделки M&A, в то время как количество ранних сделок остается высоким, но их объемы невелики. Такие фонды, как Dragonfly и a16z crypto, успешно привлекают многомиллиардные средства, однако общее количество новых криптовенчурных фондов и их совокупный объем привлечения упали до минимума с 2020 года. Партнер Dragonfly Роб Хэдик охарактеризовал ситуацию как «массовое вымирание» в криптовенчурной индустрии. Индустрия не исчезает, но становится более избирательной: капитал концентрируется у проверенных управляющих и направляется в проекты с подтвержденной бизнес-моделью, повышая требования к качеству проектов и эффективности инвестиций.

marsbit22 мин. назад

В июле инвестировали лишь 153 венчурных компании: индустрия криптованчурных инвестиций переживает «великое вымирание»?

marsbit22 мин. назад

Будет ли террорист Дуров банить российских чиновников?

Павел Дуров публично отреагировал на внесение Росфинмониторингом его в перечень террористов и экстремистов. По словам основателя Telegram, это решение связано с его отказом выполнять требования о массовой слежке и цензуре в мессенджере. Дуров отметил, что российские власти, объявив его «террористом», «явно не понимают, кто кого может банить в интернете». Эта фраза указывает на потенциальную возможность ограничений со стороны администрации Telegram для верифицированных каналов российских государственных ведомств и чиновников, которые продолжают активно использовать платформу для коммуникации, несмотря на её официальную блокировку в России. Параллельно в статье приводится аналогия с невыполненным поручением о переходе чиновников на отечественные автомобили и отмечается, что, несмотря на правительственное предписание к 2030 году перейти на российский мессенджер MAX, многие госслужатели продолжают пользоваться Telegram через обходные методы. При этом для рядовых пользователей альтернативы сокращаются. Дуров пока не уточнял, планируются ли конкретные действия против официальных каналов. Его заявление является первой публичной реакцией на новый статус, и дальнейшее развитие ситуации будет зависеть от ответных шагов властей.

cryptonews.ru43 мин. назад

Будет ли террорист Дуров банить российских чиновников?

cryptonews.ru43 мин. назад

Убыток Strategy за второй квартал достиг $8,22 млрд на фоне снижения биткоина

Компания Strategy, крупнейший корпоративный держатель биткоина, сообщила о чистом убытке в $8,22 млрд за второй квартал. Основная причина — нереализованный убыток в $8,32 млрд из-за снижения цены биткоина. При этом компания продолжает наращивать свои активы, владея 843 775 BTC. Strategy также объявила о продаже биткоинов на сумму $218,4 млн для финансирования дивидендов по привилегированным акциям. Большая часть продаж пришлась на июль. Компания создала долларовый резерв в $3,75 млрд, чтобы покрыть более двух лет обязательств, стремясь застраховаться от волатильности рынка. Несмотря на рост акций после отчёта, их цена скорректировалась в послеторговой сессии. Отчёт подтверждает, что Strategy придерживается своей стратегии, сочетая накопление биткоинов с формированием финансовой подушки. Однако новая программа монетизации означает, что компания теперь периодически продаёт часть своего резерва, что может оказывать давление на рынок в долгосрочной перспективе.

cryptonews.ru43 мин. назад

Убыток Strategy за второй квартал достиг $8,22 млрд на фоне снижения биткоина

cryptonews.ru43 мин. назад

DeepSeek V4 выходит в релизной версии, проявляются новые возможности, начинается битва за звание короля стоимости

31 июля DeepSeek официально выпустила публичную бета-версию API DeepSeek-V4-Flash. Несмотря на то, что V4-Flash (284 млрд параметров, 13 млрд активных) значительно меньше по размеру, чем V4-Pro (1,6 трлн параметров, 49 млрд активных), его производительность в тестах Agent, таких как Terminal Bench 2.1 (82,7 балла), приблизилась или даже превзошла уровень предварительной версии V4-Pro трехмесячной давности. Компания подчеркивает, что это улучшение достигнуто исключительно за счет дополнительного посттренинга модели без изменения ее архитектуры, что демонстрирует важность методов обучения и качества данных по сравнению с простым увеличением масштаба модели. Это обновление четко ориентировано на растущий рынок AI-агентов, где ключевыми являются скорость, стоимость и эффективность. DeepSeek позиционирует V4-Flash как высокопроизводительную и экономичную базовую модель для разработчиков. Стратегически, поддержка формата Responses API (аналогичного OpenAI) и оптимизация для задач в духе Codex облегчают миграцию разработчиков и бросают вызов существующим экосистемам. Выпуск следует за рекордным раундом финансирования DeepSeek в размере свыше 50 млрд юаней и повышением оценки. Этот шаг демонстрирует стремление компании конкурировать в эпоху Agent, делая ставку на эффективность и оптимальное соотношение цены и качества, что может изменить правила конкуренции в индустрии больших языковых моделей.

marsbit47 мин. назад

DeepSeek V4 выходит в релизной версии, проявляются новые возможности, начинается битва за звание короля стоимости

marsbit47 мин. назад

Торговля

Спот
活动图片