DynaMiCS: LLM's finetunen met prestatiebeperkingen via dynamische mengsels

Het web is complex, open-ended en voortdurend in beweging, waardoor het lastig is om trainingsdata voor visuele webagents op te schalen. Bestaande pogingen tot dataverzameling blijven beperkt tot offline trajecten voor supervised fine-tuning of een handvol gesimuleerde omgevingen voor RL-training, en schieten daarmee tekort in het vangen van webdiversiteit. Wij introduceren Weblica (Web Replica), een raamwerk voor het bouwen van reproduceerbare en schaalbare webomgevingen. Ons raamwerk maakt gebruik van 1) HTTP-level caching om stab