WebWorldとは？100万件超のWeb操作で訓練されたAIエージェント用大規模ワールドモデル

• 100万件超のWeb操作データで訓練された初のオープンWeb大規模シミュレータを構築し、30ステップ超の長期シミュレーションに対応
• WebWorld上で合成した軌跡データでQwen3-14Bを学習させると、WebArenaベンチマークで+9.2%改善しGPT-4oに匹敵する性能を達成
• Web以外のコード・GUI・ゲーム環境への汎化も確認され、推論時検索ではGPT-5をワールドモデルとして上回る成果を実現

研究の背景

Webブラウザを自律的に操作できるAIエージェントの開発が注目を集めています。しかし、実際のWebサイト上でエージェントを訓練するには、サーバーへの負荷やプライバシーリスクといった深刻な課題が伴います。誤操作によって意図しない購入や情報漏洩が発生する危険性も無視できません。

こうした問題を回避するために、Webの挙動をシミュレーションする「ワールドモデル」が研究されてきました。ワールドモデルとは、エージェントが行動した結果どのような状態変化が起きるかを予測するモデルのことです。ところが従来の手法では、訓練データがわずか数千件にとどまり、実際のWebの多様性を十分に再現できませんでした。

本論文では、Qwenチームが開発したWebWorldを紹介します。100万件を超えるWeb操作データで訓練された初の大規模オープンWebシミュレータであり、AIエージェントの訓練基盤として幅広い応用が期待される研究成果です。

WebWorldの仕組み

WebWorldは自己回帰型の言語モデルとして構築されています。「現在のWebページの状態」と「エージェントが実行した操作」を入力として受け取り、操作後の「次のWebページの状態」を予測する仕組みです。Webページの状態はアクセシビリティツリー（ブラウザがUI要素の構造を木構造で表現したもの）として表現され、操作はPythonスタイルの関数呼び出しとして記述されます。

WebWorldの大きな特徴は、3段階の階層的データ収集パイプラインにあります。第1段階では、FineWebやCCI 3.0コーパスから抽出したWebサイトに対してランダムな操作を行い、約29万件の軌跡データを収集しました。第2段階では、LLMエージェントが自ら探索目標を設定し、最大30ステップに及ぶ長期的な操作軌跡を約3.8万件生成しています。

第3段階では、ユーザーの意図を想定したタスク指向の操作を約9.4万件収集し、成功した軌跡だけをリジェクションサンプリング（条件を満たした結果のみを残し、それ以外を捨てる選別手法）で残しました。

これら3段階で集めた軌跡を、アクセシビリティツリーに加えてHTML、XML、Markdown、自然言語といった複数フォーマットへ変換した結果、総データ量は106万件に達します。従来の研究の約100倍にあたる規模であり、フォーマットをまたいだ変換はモデルの汎用性を高める役割も果たしています。

WebWorld-Bench：9次元の評価フレームワーク

ワールドモデルの性能を客観的に測定するため、著者らはWebWorld-Benchという包括的な評価フレームワークを構築しました。評価軸は長期一貫性から自然言語変換まで9つの次元にわたり、主なものは以下の通りです。

• 長期一貫性（10ステップ以上の予測精度）
• 基本的な意味理解（マクロな状態遷移の正確性）
• 細粒度の感度（微小な変化への応答精度）
• マルチタブ・マルチページ対応
• マルチフォーマット頑健性（XML、HTML、Markdownなど）
• 自然言語への変換能力

これらの軸を通じて、単発の予測精度だけでなく、長い操作列や多様な表現形式に耐えられるかどうかまで測る設計になっています。

評価指標には2種類が用意されました。Factuality Scoreは操作結果の意味的正確性をLLM審査員が採点するもの、Web Turing Scoreはシミュレーション結果と実際のWeb状態を見分けられるかを対戦形式で測定するものです。WebWorld-32Bは平均Factuality Scoreで71.0%を記録し、Claude-Opus-4.1の71.3%に匹敵する水準に到達しました。

実験結果

WebWorldの実用的な価値は、下流タスクでの性能向上によって示されました。WebWorld上で合成した軌跡データを使ってQwen3-14Bをファインチューニングした結果、WebArenaベンチマークにおいて成功率が15.1%から24.3%へと+9.2ポイント改善しています。ドメイン別ではRedditとGitLabの伸びが大きく、Web以外の環境（次節で詳述）でも改善が確認されました。改善幅をまとめると次の通りです。

いずれの改善も、実際のWebサイトに一切アクセスせず、シミュレータ上で合成したデータだけで得られている点が重要です。

推論時の活用でも成果が得られました。エージェントが複数の候補行動を提案し、WebWorldで各行動の結果をシミュレーションして最適な行動を選ぶ「先読み検索」を実装したところ、同じ役割にGPT-5を使った場合の成功率67.5%をWebWorldが上回っています。

ただし著者らは、MCTS（モンテカルロ木探索、行動の候補を木構造で先読みしながら有望な手を絞り込む手法）のような高度な探索戦略による改善幅は限定的だったと報告しました。ワールドモデルの最大の価値は、推論時の計画よりも訓練データの合成にあるというのが結論です。

Web以外の環境への汎化

WebWorldはWeb操作データのみで訓練されているにもかかわらず、他の環境でも高い汎化性能を示しました。APIサービス、コード開発、ゲーム、GUIデスクトップの4分野で評価したところ、前節の表の通り平均+0.224のスコア改善を記録しています。

なかでも効果が大きかったのはGUIデスクトップ環境の+0.383でした。Webページ上でボタンやフォームを操作した経験が、デスクトップアプリケーションの操作にも転移することを示唆する結果です。

まとめと今後の展望

WebWorldは、100万件超のWeb操作データで訓練された初の大規模オープンWebシミュレータとして、AIエージェント研究に大きなインパクトを与える成果です。実際のWebサイトを使わずに安全かつ大量の訓練データを生成できるため、エージェント開発のコストとリスクを大幅に下げられます。

一方で、著者らは2つの限界も指摘しました。1つ目はおべっかバイアスで、モデルがエージェントの操作に対して楽観的すぎる結果を生成する傾向があり、頑健な方策学習の妨げになる可能性があります。2つ目はコンテンツ品質の問題で、科学論文のような高度なテキスト生成は苦手としています。

今後の発展としては、おべっかバイアスの緩和やシミュレーション品質の向上に加え、マルチモーダル（視覚情報を含む）なワールドモデルへの拡張が期待されます。WebWorldが示した「大規模シミュレーションによるエージェント訓練」という方向性は、Web操作に限らず、あらゆるデジタル環境でのAIエージェント開発を支える基盤技術になっていくのではないでしょうか。

WebWorld: A Large-Scale World Model for Web Agent Training

Abstract page for arXiv paper 2602.14721: WebWorld: A Large-Scale World Model for Web Agent Training

arxiv.org