Ai2开源MolmoWeb：7B模型干翻70B

一个70亿参数的模型，在网页任务上跑赢了700亿的对手。这不是实验室里的数字游戏，是西雅图那家叫Ai2的机构刚扔出来的开源炸弹。

他们把这个东西叫MolmoWeb。名字听着像某种化学试剂，实际是个能自己操作浏览器的AI代理——点按钮、填表单、抓数据，全程不用人类盯着。更狠的是，整套代码和权重全开源，连训练数据都摊在桌上。

开源社区的"掀桌"时刻

网页代理（Web Agent）这个赛道，过去两年被闭源模型垄断得死死的。OpenAI的Operator、Anthropic的Computer Use，哪个不是会员专属？Ai2这次直接把桌子掀了。

MolmoWeb的核心架构叫"视觉-语言-动作"（VLA），简单说就是让模型既能看懂网页截图，又能理解自然语言指令，最后输出可执行的操作代码。传统做法需要三步走：先截图给视觉模型看，再转文字给语言模型想，最后调工具执行。Ai2把这三层揉成了一个端到端的神经网络。

训练数据是另一个狠招。他们没像某些公司那样偷偷爬用户隐私，而是用了公开可用的网页任务数据集，加上自己合成的交互轨迹。具体数字没公布，但Ai2的研究负责人强调："每一行训练代码都能被审计。"

Benchmark成绩出来那天，社区炸了。WebArena基准测试——这个被业内当作网页代理高考的标准——MolmoWeb 7B版本拿了63.4%的成功率。什么概念？GPT-4o的网页代理版本是61.2%，而Claude 3.5 Sonnet的Computer Use大概在58%左右。更讽刺的是，某些700亿参数的闭源模型，在这个测试上还没过60%。

小模型凭什么逆袭

参数差10倍，性能却反超。Ai2的人把秘诀归结为"任务专用化"。

大模型什么都学，网页操作只是它无数技能中的一个。MolmoWeb从出生就只干一件事：理解网页结构，执行浏览器操作。用他们技术报告里的说法，这叫"认知卸载"——把通用知识砍掉，给任务技能腾地方。

具体技术细节很产品经理友好。模型输入是一张网页截图加一句自然语言指令，输出的是浏览器自动化框架Playwright能直接执行的代码。截图被切成网格，每个网格对应可能的点击区域；模型要同时预测操作类型（点击/输入/滚动）和具体坐标。

这种设计让推理速度快到离谱。在标准测试机上，MolmoWeb处理一个复杂表单填写任务平均只要2.3秒。某些云端大模型光网络往返就要这个时间的三倍。

开源策略更是精准打击。Ai2不是第一次这么干——他们去年发布的Molmo多模态模型就在学术圈攒了口碑。这次把网页代理这个商业场景最肥的肉扔出来，直接戳中了开发者的痛点：谁愿意把自己的核心工作流绑在别人的API上？

谁最慌？谁最爽？

闭源厂商的定价表可能要重写了。按当前市场价，GPT-4o级别的网页代理调用一次动辄几美分，复杂任务链跑下来账单能吓死人。MolmoWeb本地部署，成本压到接近电费。

但最坐不住的可能是RPA（机器人流程自动化）那帮老牌厂商。UiPath、Automation Anywhere卖了十几年 license，核心卖点就是"让软件自动操作软件"。现在一个7B模型开源了，中小企业谁还买你那套重型基础设施？

开发者这边已经开香槟。Hacker News上最高赞评论是个类比："这感觉像当年MySQL出来时的数据库市场——Oracle还在卖天价license，年轻人已经开始用免费工具搭互联网了。"

当然也有冷静的声音。网页代理的噩梦场景是"幻觉操作"——模型看错一个按钮，把"提交订单"点成"清空购物车"。MolmoWeb在WebArena的误操作率是12.7%，比GPT-4o的9.3%略高。Ai2团队在发布博客里坦承："高风险场景建议保留人类确认环节。"

技术报告里埋了个细节挺有意思。他们在训练时故意加入了"恶意网页"样本——钓鱼网站的仿冒按钮、隐藏条款的勾选框、自动勾选的隐私协议。模型学会的第一反应不是执行，而是标记风险。这个设计没有写在官方宣传里，但代码里确实留了接口。

开源社区的分支已经开始疯长。GitHub上已经有开发者把MolmoWeb接进了Selenium、Puppeteer，还有人尝试让它操作桌面应用。Ai2的许可证是Apache 2.0，商用无限制。换句话说，明天出现个"基于MolmoWeb的自动化客服SaaS"也不奇怪。

最后一个数据点：发布72小时内，Hugging Face上的模型下载量破了4万。对比之下，某些大厂同期发布的开源模型，同期数据通常在5千到8千之间。

浏览器自动化的旧秩序，这次是真被撬松了。但有个问题Ai2没回答——当每个开发者都能低成本部署网页代理，那些靠"人工审核"吃饭的众包平台，接下来几个月会怎么转型？