EMNLP2026｜WebWorld：让浏览器成为网页代码自我改进的“世界模型”

近日，北航-澜舟AI联合实验室合作研究成果《WebWorld: The Browser as a World Model for Self-Improving Web Code》被国际自然语言处理顶级会议 EMNLP 2026 录用。

论文提出让浏览器作为网页代码自我改进的“世界模型”：由视觉语言模型（Visual Language Model，VLM）提出修改假设，浏览器通过真实交互复验，只有被验证有效的改进才会进入训练数据。

EMNLP（Conference on Empirical Methods in Natural Language Processing）由国际计算语言学会（ACL）旗下 SIGDAT 组织，每年举办一届，是自然语言处理领域最具影响力的国际会议之一。本届 EMNLP 2026 将于 10 月 24-29 日在匈牙利布达佩斯举行。

论文信息

论文标题：WebWorld: The Browser as a World Model for Self-Improving Web Code

作者：Jiajun Wu, Jian Yang, Yaxin Du, Wei Zhang, Haowen Wang, Junhang Cheng, Yuxuan Zhang, Tuney Zheng, Xianglong Liu, Ming Zhou

机构：Beihang University, IQuest Research, Shanghai Jiao Tong University, Langboat

论文链接：https://arxiv.org/pdf/2608.30530

数据：https://huggingface.co/collections/Multilingual-Multimodal-NLP/webworld

导语

大模型已经可以根据一句话生成完整网页，但“第一眼看起来不错”和“真正能用”之间，仍然隔着一道很现实的鸿沟：按钮可能点不动，游戏可能不响应键盘，修好了一个区域却悄悄弄坏了另一个已经可用的控件。

在论文《WebWorld: The Browser as a World Model for Self-Improving Web Code》中，来自 Beihang University、IQuest Research、Shanghai Jiao Tong University 和 Langboat（澜舟科技）的研究团队提出 WebWorld：不再让视觉语言模型同时扮演“提出修改”和“判断修改”的双重角色，而是把浏览器作为网页代码的可执行世界模型，让浏览器通过真实交互复验每一次修改，并只把被验证过的改进用于后续训练。

一句话概括：VLM 负责提出假设，浏览器负责给证据；只有能被浏览器复现并证明有效的网页修复，才会进入训练数据。

为什么需要 WebWorld？

现有网页代码自我改进流程常见做法是：让模型看截图、提出问题、重写代码，再由模型判断页面是否更好。这个闭环看似自然，但有一个结构性缺陷：提出修复的人，也是裁判。

这会带来三个典型问题：

截图变漂亮了，但页面交互坏了。
当前问题被修好了，但之前已经正常工作的功能被破坏了。
模型更容易奖励“视觉上合理”的结果，而不是“真实可执行、可复验”的结果。

WebWorld 的核心观察是：浏览器本身就是一个现成的世界模型。它可以确定性地执行 HTML 页面，模拟点击、输入、拖拽、键盘操作，观察 DOM、控制台、截图和状态变化。与其训练一个新的世界模型，不如让 VLM 与浏览器这个真实执行环境协作。

WebWorld 怎么工作？

WebWorld 将一次网页自我改进拆成三个关键机制：

Interaction Contract：把“感觉哪里不对”变成可检查目标

VLM 不直接给出“页面更好了”这样的主观判断，而是基于浏览器观测结果提出结构化批评。系统会把这份批评编译成一个交互契约，包括：

要修复的目标问题；
浏览器需要重放的动作序列；
修复后必须满足的目标谓词；
已经验证过、后续必须保留的能力；
影响范围和证据路径。

这样，修复不再是泛泛地“优化一下页面”，而是变成浏览器可以复验的明确任务。

2. Acceptance Certificate：浏览器重新执行，决定是否发证

候选补丁生成后，浏览器会重新运行页面并执行契约中的交互。如果修复确实达成目标，同时没有破坏之前已验证的能力，系统才会发出 acceptance certificate。

这个证书记录了修复目标、代码差异、证明级别、动作轨迹、截图、探针结果等证据。换句话说，WebWorld 接受的不是“看起来更好的页面”，而是“有执行证据支撑的状态转移”。

3. Quality Ratchet：只让被验证的改进进入训练

通过证书的修复会成为新的基线，并进入 SFT 训练数据；未通过的尝试会作为诊断信息反馈给下一轮修复，但不会污染训练集。

这让整个系统像一个单向棘轮：每一步都必须在新目标上取得进展，同时保留已有能力。修复可以探索，但训练数据必须干净。

实验结果：浏览器验证带来真正收益

研究团队构建了约 60K 个候选修复，经过浏览器复验后得到 42,860 个认证转移，并从中采样 32,800 条作为 WebWorld SFT 语料。

在 HTMLBench-400 和 MiniAppBench-Val 上，WebWorld 展现出稳定提升：

WebWorld-27B 在 HTMLBench-400 上达到 52.7，相比 Raw-27B 提升 5.3 分。
WebWorld-27B 的 TC Pass 达到 43.2%，相比 Raw-27B 提升 9.7 个百分点。
在 MiniAppBench-Val 上，WebWorld-27B 达到 85.5，相比 Raw-27B 提升 14.9 分。
在论文报告的交互式 HTML 生成设置中，WebWorld-27B 的 HTMLBench 表现超过 Kimi-K2.6 和 GPT-5.4，MiniAppBench-Val 表现达到同一梯队。

更关键的是消融实验。以 9B 模型为例：

这说明收益并不只是来自更多数据或更强提示，而是来自 browser-backed admission：只有浏览器复验通过的转移，才足够可靠地成为训练监督。

不只是修页面，而是修“可交互行为”

WebWorld 的价值在于把网页质量从静态截图推进到可执行证据。论文分析显示，验证式修复可以降低多类具体 GUI 失败，包括控制台错误、玩法失败、目标缺失、无响应控件、键盘失效、状态漂移和布局问题。

这对于前端生成尤其重要。一个页面可能视觉完整，却缺少真实状态变化；一个按钮可能样式正确，却没有事件处理；一个游戏界面可能很漂亮，却没有可玩的循环。WebWorld 要解决的正是这些“截图看不出来，但用户马上会遇到”的问题。

适用范围与局限

WebWorld 当前聚焦单文件交互式 HTML artifact。在更复杂的多文件项目、框架工程和真实部署环境中，还需要处理依赖复现、项目组织、脚手架协作等额外变量。

同时，浏览器只有在目标可以被执行和复验时才是可靠裁判。审美偏好、品牌一致性、可访问性细节等更主观或更细腻的问题，仍可能需要 VLM 或人工评估补充。因此，WebWorld 并不是让模型批评完全无误，而是让可执行行为的验收更可靠。

WebWorld 给网页代码自我改进提供了一个清晰方向：不要让模型只在截图空间里自问自答，而要把浏览器引入闭环，作为模型无法“糊弄”的执行裁判。

对于未来的网页生成、UI agent 和交互式 artifact 训练，这一点尤其关键：高质量监督不应来自看起来不错的最终页面，而应来自可复验、可追溯、可保留既有能力的执行轨迹。

澜舟科技与本次研究

WebWorld 成果背后是一段正在深化的合作：澜舟科技与北航共建的 AI 联合实验室今年 8 月正式对外宣布，由澜舟科技创始人周明博士与北航计算机学院的杨健博士共同领衔，主攻递归自进化、代码智能、预测模型三个方向。

WebWorld 让浏览器当"裁判"、只把验证有效的修复送进训练数据——这正是"自进化"方向最具代表性的题目之一。

自联合实验室成立以来，澜舟与北航在代码大模型的研究上硕果累累，InCoder-32B 登顶 SWE-bench，LoopCoder v2 让 7B 小模型"多想一遍"就追上超大模型。而 WebWorld 走得更远——它不再只追求"生成更好的代码"，而是让模型自己发现问题、自己修改，再由浏览器复验修复是否真的有效，把"递归自进化（Recursive Self-Improvement，RSI）"从实验室的主攻方向变成了入选 EMNLP 的可验证成果。

高校的科研深度，加上企业的工程场景，往往能做出单打独斗做不出来的东西。

期待联合实验室的下一个成果。

关注「澜舟科技」公众号，回复【0903】可查看论文

更多推荐阅读👇

立即体验

LangClaw企业可信智能体操作系统现已开放体验，快来创建你的数字员工吧。

👉 扫码/进入官网申请产品试用：