KORMo-Web-9B
веб-агент на 9B параметров, управляющий браузером по скриншотам
2 min readupdated
KORMo-Web-9B — визуально-языковая модель (VLM) от команды KORMo-VL, созданная на базе Qwen3.5-9B (9,41 млрд параметров). Она работает как автономный браузерный агент: получает задачу на английском или корейском языке и выполняет её в реальном вебе, опираясь исключительно на скриншоты экрана без доступа к DOM-дереву страницы. Перед каждым кликом или вводом текста модель формирует короткую цепочку рассуждений, проверяет результат на следующем кадре и сама переключается между вкладками и сайтами. Подойдёт разработчикам веб-агентов и автоматизации в браузере, которым нужна компактная открытая модель под лицензией Apache-2.0.
Ключевые особенности
- Работа только по скриншотам: не требует разметки страницы или дерева доступности — ориентируется визуально, как человек.
- Сначала думает, потом действует: перед каждым шагом генерирует блок рассуждений (
), что упрощает отладку поведения. - Сильные результаты в Online-Mind2Web: набирает 51,0% на английском и 48,1% на корейском, обходя базовую Qwen3.5-9B на +26,3 и +31,4 пункта соответственно.
- Готовая обвязка в репозитории: включены системный промпт, схема из 22 браузерных инструментов, настройки генерации и эталонный агент на Playwright.
Что можно сделать
- Запустить автономный поиск и сбор данных: поручить агенту найти товары по заданным критериям на одном сайте, перепроверить данные на другом и собрать итоговый ответ.
- Встроить в собственный браузерный пайплайн: подключить модель через vLLM и OpenAI-совместимый API, используя готовую схему из 22 действий (клики, скролл, горячие клавиши, управление вкладками).
- Автоматизировать многошаговые сценарии в Chromium: использовать готовый скрипт
agent_playwright.pyдля выполнения длинных инструкций на английском или корейском языках.
Пример
vllm serve ./KORMo-Web-9B --served-model-name KORMo-Web-9B \
--max-model-len 131072 --limit-mm-per-prompt '{"image":1,"video":0}'
python KORMo-Web-9B/examples/agent_playwright.py --model KORMo-Web-9B \
--task "Find 3 tablets under 500k KRW with 10+ inch screen and list prices"
Подробнее
Бенчмарк Online-Mind2Web (612 реальных веб-задач: 300 EN, 312 KO): 51,0% EN и 48,1% KO против 24,7% и 16,7% у базовой Qwen3.5-9B и 32,7% / 15,4% у OpenWebRL-4B.Железо и стек: запускается на одном GPU (TP=1), протестировано с vLLM 0.23.0 и transformers 5.12.1.
Контекст и лимиты: окно контекста до 131 072 токенов, в истории сохраняется весь текст шагов, но передаётся только последний скриншот; до 50 шагов на задачу.
Ограничения: эталонный скрипт
agent_playwright.py не поддерживает действие upload; координаты кликов нормализованы в шкале 0–1000.









Comments