Résumé

Les agents web fondés sur les grands modèles linguistiques (LLM) font preuve d’une performance remarquable sur les tâches exigeant une grande quantité de connaissances, mais ils sont freinés par les limitations de la fenêtre contextuelle dans des paradigmes tels que ReAct. Les requêtes complexes impliquant plusieurs entités, des relations imbriquées et un haut degré d’incertitude nécessitent des cycles de recherche étendus, qui épuisent rapidement le budget contextuel avant d’aboutir à une solution complète. Pour surmonter ce défi, nous introduisons ReSum, un nouveau paradigme permettant une exploration illimitée grâce à une synthèse périodique du contexte. ReSum transforme les historiques d’interaction en croissance en états de raisonnement compacts, tout en préservant la conscience des découvertes antérieures, tout en contournant les contraintes liées à la fenêtre contextuelle. Pour adapter ce paradigme, nous proposons ReSum-GRPO, qui intègre GRPO (Generalized Reward Policy Optimization) à une formation par trajectoires segmentées et à une diffusion d’avantage afin de familiariser les agents avec le raisonnement conditionné aux résumés. Des expériences étendues menées sur des agents web de tailles variées, sur trois benchmarks, montrent que ReSum améliore de manière moyenne de 4,5 % le résultat de ReAct, avec des gains supplémentaires allant jusqu’à 8,2 % après formation avec ReSum-GRPO. Notamment, avec seulement 1 000 échantillons d’entraînement, notre WebResummer-30B (version entraînée avec ReSum-GRPO de WebSailor-30B) atteint 33,3 % de taux de réussite Pass@1 sur BrowseComp-zh et 18,3 % sur BrowseComp-en, dépassant ainsi les agents web open source existants.