结论
香港中文大学、约翰斯·霍普金斯大学、新加坡管理大学与重庆大学合作的预印本InterWebCoder报告了一种面向交互式网页生成的训练框架：以测试规范引导合成自包含网页与可执行测试脚本，再以可执行反馈做监督微调与强化学习。作者报告，2058个任务中合成出1736个验证样本，成功率84.35%；9B骨干在IWR-Bench得48.54分、在Vision2Web得48.42分，超越30B级模型与Gemini-3.7-Flash，可比Claude-Sonnet-5。这是作者在受控评测中的结论，尚未经同行评审，也未经本站独立复现，不应视为普遍成立的行业事实。
方法与数据范围
按作者描述，框架分两段。第一段为测试规范引导、可执行验证的数据合成管线TEDS：先由图形界面智能体与真实网站交互并记录动作与视觉状态，再由编码智能体重建干净、自包含的网页代码，并按记录的动作与状态变化生成对应的可执行测试脚本；执行脚本后比对断言与录制、回放状态的视觉相似度，失败时按规则判断错误来自网页代码还是测试脚本并迭代修复。第二段为测试驱动训练TDRL：先做测试标识加权的监督微调，再做组相对策略优化，以测试通过率与状态级视觉相似度为确定性奖励，替代耗时且不稳定的图形界面智能体验证。数据范围为作者自建的2058个任务与1736个验证样本；动机分析另抽样102个网站量化验证开销；评测限IWR-Bench与Vision2Web两套交互式网页基准。
结果
作者报告，在两套基准上，9B模型最终得分分别为48.54与48.42，优于同系列30B级模型与Gemini-3.7-Flash，并与Claude-Sonnet-5接近。效率方面，以可执行脚本替代图形界面智能体验证后，作者称奖励计算延迟降低97%以上，免除外部大模型验证成本，端到端训练加速最高1.4倍。作为对照，作者测得图形界面智能体验证平均每样本需214.0秒，占训练时间的39.9%，平均每任务16个交互步骤，平均成功率仅65.8%。以上均为作者在自选基线、实现与评测协议下的报告结果，存在实现差异与指标选择的影响。编辑解释：这些数字只说明在该论文设定下的相对表现，不代表在其他数据、分辨率或生产管线中必然复现。
局限与评审状态
该工作为预印本，未标注会议接收或同行评审信息，应视为待验证的研究进展。结论限作者自建合成数据与两套受控基准，未覆盖开放域长流程交互、复杂外部依赖或真实用户偏好。训练与奖励依赖自合成的可执行测试，测试脚本的正确性、状态级视觉相似度量的选择均可能影响比较。效率对比限102站抽样、GPT-5.6-Luna加Browser Use脚手架等特定条件，更换验证模型、脚手架或硬件后结果可能变化。9B骨干的结论不直接推广至其他规模模型。读者应将其视为特定条件下的研究信号，而非已确认的产品能力或通用结论。
潜在意义
若后续能独立复现，该思路可能降低交互式网页数据与反馈成本：以录制行为合成干净网页与可执行测试，避免人工逐页实现与标注；以确定性执行反馈替代重复调用大模型的图形界面验证，更适合规模化训练。对中国用户的编辑提示是，可关注其后续开源测试脚本与基准细节及第三方复现，但在同行评审与独立验证出现前，不宜将其直接用于选型或生产决策。本站将继续以当日可核验进展为准，不补发往日研究。