WebExplorer-QA

WebExplorer-QA是一个为训练长期视野网络代理而设计的挑战性网络导航数据集，通过一种新颖的两阶段方法构建：基于模型的探索和迭代的查询演化。

WebExplorer-QA is a challenging web navigation dataset designed for training long-horizon web agents, which is constructed via a novel two-stage method: model-based exploration and iterative query evolution.

原始信息汇总

WebExplorer-QA 数据集概述

数据集简介

WebExplorer-QA 是一个具有挑战性的网页导航数据集，专为训练长视野网页代理而设计，源自论文《WebExplorer: Explore and Evolve for Training Long-Horizon Web Agents》。该数据集通过一种新颖的两阶段方法构建：基于模型的探索和迭代式查询演化。

数据集构建方法

第一阶段：基于模型的探索

• 从维基百科收集的种子实体开始
• 通过迭代式搜索和浏览动作构建信息空间
• 初始的问答对生成需要多网站推理能力

第二阶段：迭代式查询演化

• 通过移除显著信息实现从长到短的演化
• 对日期、地点和专有名词进行战略性模糊处理
• 经过5次迭代演化以增加难度

数据格式

每个样本包含以下JSON格式字段： json { "query": "", "answer": "", "id": "" }

可用性说明

由于公司政策限制，目前仅公开发布100个高质量样本用于学术研究和社区测试。完整数据集暂不公开。

许可证

Apache-2.0 许可证

搜集汇总

数据集介绍

构建方式

在长程网络智能体研究领域，WebExplorer-QA数据集通过创新的两阶段构建方法展现其科学价值。该过程始于从维基百科收集的种子实体，采用模型引导的探索策略进行迭代式搜索与浏览，构建出多层次的信息空间。随后通过迭代查询演化机制，逐步剔除关键信息并对日期、地点及专有名词进行战略性模糊处理，经过五轮演化后形成具有挑战性的问答对。

特点

作为专为长程网络导航任务设计的基准数据集，WebExplorer-QA的核心特征体现在其多层次推理需求与渐进式难度设计。数据集通过语义演化技术生成需要跨网站推理的复杂问答对，每个问题均要求智能体执行连续性的网页交互操作。其独特的难度梯度设计使得智能体既能学习基础导航技能，又能逐步掌握长程任务规划能力，为评估智能体的认知深度提供了标准化测试环境。

使用方法

研究人员可通过加载标准化数据格式快速开展实验，每个样本包含查询文本、标准答案及唯一标识符。使用时应注重构建符合实际网页环境的交互模拟器，通过解析查询语义生成相应的浏览器操作序列。建议采用分层评估策略，分别测量智能体在单步导航、多步推理及长程任务执行等方面的性能表现，从而全面衡量网络智能体的综合能力。

背景与挑战

背景概述

WebExplorer-QA数据集由Minimax研究团队于2025年提出，旨在推动长视野网络智能体的训练与研究。该数据集通过创新的两阶段构建方法——模型引导探索与迭代查询演化，模拟人类在网络环境中的多步骤推理与导航行为。其核心研究问题聚焦于提升智能体在复杂网络信息空间中的长期任务执行能力，为自动化网络操作与智能信息检索领域提供了重要的基准资源。

当前挑战

该数据集致力于解决网络导航中多网站推理与长期动作规划的难题，其挑战性体现在需跨多个网页整合分散信息以生成准确答案。构建过程中面临双重挑战：一是通过迭代演化查询时需平衡信息遮蔽与问题可解性，确保难度提升而不失合理性；二是初始种子实体扩展为完整信息空间时，需维持探索路径的多样性与逻辑连贯性。

常用场景

经典使用场景

在人工智能与网络交互研究领域，WebExplorer-QA数据集为训练长视野网络导航智能体提供了关键支撑。其经典应用场景集中于模拟人类在网络环境中的多步骤信息探索行为，智能体需要执行连续的搜索与浏览动作，跨越多个网站进行深层推理，以解答复杂的自然语言查询。

解决学术问题

该数据集有效应对了长序列决策与跨网站推理这两大学术挑战。通过两阶段构建方法——模型引导探索与查询迭代演化，它不仅提升了智能体在开放网络环境中执行多步骤任务的能力，还为解决动态信息环境下的知识融合与推理泛化问题提供了实证基础，推动了网络智能研究向更复杂、更实用的方向发展。

衍生相关工作

围绕WebExplorer-QA数据集，已衍生出多项关于长视野任务规划、查询理解与网页语义解析的创新研究。部分工作聚焦于改进探索策略以提升数据覆盖率，另一些则致力于开发更强的推理模型，以应对演化查询中的信息隐匿与语义复杂性，进一步丰富了网络智能体领域的算法与理论体系。