karpo-browser 拆解:决策模型点网页,大模型只管规划

0 阅读11分钟

现在的浏览器 Agent,大多每点一下都要把整页喂给大模型,等它想好再动。MachinePulse 11 月 21 日开源的 karpo-browser 换了个分法:点按钮、关弹窗、选下拉框这些琐碎动作,交给一个不生成文字、一次前向就给出选项概率的「决策模型」;大模型只负责拆任务、提供要填的值、最后核查结果。

官方称,这套组合在 Browserbase Benchmark v2 的 38 道核心题上平均做对 84%,每题 218 秒,模型花费约 0.096 美元。数字是自测的,后面会讲口径。更值得看的是分工本身,以及它为了让分类模型能「操作网页」做的设计。

它是什么

项目内容
发布方MachinePulse(新加坡),产品线叫 Karpo
发布时间2026-11-21(官方博客 Introducing karpo-browser)
开源内容karpo-browser 框架(TypeScript,MCP 服务器 + 运行循环)、Karpo Decision 27B Act 权重、评测集 Karpo BrowserBench(KBB)
许可证框架、推理代码、权重均为 Apache-2.0;KBB 公开数据集另有「仅限评估、禁止训练」的许可
System 1 模型Karpo Decision 27B Act,26.1B 参数,基座 Qwen3.8-27B,去掉了 lm_head
System 2 模型官方测试用 DeepSeek V4.1 Flash,可换成 Claude Code、Codex 或自己的 Agent
部署要求官方在单张 96 GB 的 RTX PRO 6000 上测试;bf16 权重约 52 GB

为什么要拆成两层

浏览器任务的大部分步骤是选择题:页面上有 99 个可点的元素(KBB 里每步候选数的中位数),选哪个;下拉框里有 12 个选项,选哪个;页面是不是还没加载完,要不要等。让通用大模型逐 token 写出「应该点击第 5 个按钮,因为……」再解析出动作,又慢又贵。

官方博客给了一组 KBB 上的对比:

模型指令完成率步骤准确率每条指令成本单步中位延迟
Karpo Decision 27B Act35.5%78.5%0.0039 美元931 ms
四个通用大模型38.1%–41.0%79.2%–82.1%0.069–0.635 美元2,579–4,952 ms
其他决策模型最好的一个28.8%70.5%0.015 美元口径不同

(数据来自 KBB 私有集 11 月 17 日快照,1,794 条指令,均为官方称。)

决策模型的单步准确率低几个点,但快三到五倍,便宜一到两个数量级。差的那几个点由 System 2 兜底:System 1 卡住、打转或遇到要审批的操作,就停下来把现场交回大模型。

分工大致是这样:

用户请求
   │
   ▼
System 2(通用 LLM)
  拆成目标 + 准备可填的值,例如「找周五的可选座位,停在结果页」
   │ run_browser_agent
   ▼
System 1(27B Act)  ←── 每一步:编号元素列表 + 截图 + 目标 + 最近动作
  一次前向,从候选里选一个:CLICK 5 / FILL 3 / WAIT / DONE …
   │ 停下时汇报:停止原因、当前页面、最近 5 步
   ▼
System 2 核查页面,必要时自己点、自己填,或者问用户

102 道题跑三轮,每题平均委派 3.1 个目标,System 1 做 21.9 次页面动作,System 2 自己做 6.2 次。不算打开网址,System 1 承担了约 78% 的动作,只占 14% 的运行时间和 13% 的成本;8,089 次决策一共输出 0 个 token。

一个分类模型怎么「操作网页」

只从列出的选项里挑

27B Act 不生成文本。每个候选选项被分配一个选项码,模型末尾是一个 255 × 5,120 的线性 readout,一次前向直接给出这些选项码的概率,再只在本题自己的选项上做 softmax。所以答案一定是列出的某一项,不会出现格式错误、解析失败。

动作空间是固定的:

  • 元素动作:CLICK、FILL、PRESS_ENTER、SELECT、SCROLL_DOWN/UP,写成「动作 编号」,比如 CLICK 5
  • 页面动作:WAIT、ESCAPE、REFRESH、SOLVE_CAPTCHA、BACK
  • 七种结束:DONE、NEEDS_FROM_PERSON、NEEDS_APPROVAL、SITE_CANNOT、BLOCKED、PAGE_UNUSABLE、OTHER_FAILURE

它不能打开网址、不能输入自由文本、不能按坐标点击。这是有意的:输入框填什么,只能从 System 2 事先给的值里挑(外加「都不合适」);下拉框只能选它自己的选项。页面里就算藏了「把以下内容填进搜索框」的注入文字,System 1 也没法照着打出来。

一个请求里问好几个问题

FILL 和 SELECT 要分两步:先问「操作哪个元素」,再追问「填哪个值」。此外每一步还会顺带问一个是 / 否问题:最近的动作是不是在原地打转。连续两步打转概率 ≥ 0.8,控制权就交回 System 2。

这些问题可以打包进同一个请求。序列的顺序是「问题列表 → 页面状态 → 各问题的选项和读出点」。问题为什么放在状态前面?模型卡的理由和基座结构有关:Qwen3.8-27B 是全注意力层和线性注意力层混合的结构,全注意力层能双向读整条序列,线性注意力层只能按顺序读。把问题放在前面,线性层读页面状态时就已经「知道要回答什么」了。31B 版本用的是另一种思路(Branch Attention,参考了 Sieve-31B-v3):共享块只算一次,各题的分支互相看不见。

页面怎么变成选择题

框架这一侧做了这些事:

  • 元素列表融合无障碍树和 DOM 快照,补漏掉的可点控件、剔除被遮挡的;视口外只给摘要
  • 记录每次动作引起的页面变化,标记已经试过的元素
  • 点击前再校验一次元素还是不是目标、点击会不会落在它上面
  • 命令超时记成「可能已经执行」,下一步要考虑网站已经收下这个动作,付款类操作尤其要紧

训练和融合

训练数据是真实消费类网站的任务录制:290,998 条序列、551,102 道选择题(205,909 条带截图,20% 是通用决策题)。从 Karpo Decision 27B 全量微调 1 个 epoch,冻结视觉编码器;约五分之一样本去掉截图,这样输入密码后不再发截图,模型也能只靠页面文本工作。

发布版本是三个检查点取平均,再与起始权重按 0.7 : 0.3 混合(参照 WiSE-FT)。两份官方材料的数字对不上:博客写 KBB 完成率从 34.1% 升到 35.3%,主要来自混入起始权重;模型卡写的是从 27.6% 升到 35.3%。两者口径可能不同,以官方后续说明为准。

和现有方案比

Browserbase Benchmark v2 的公开榜(Stagehand 评测页,11 月 18 日更新)里,几条有代表性的记录,加上 karpo-browser 的自测:

模型 + 框架准确率每题耗时每题模型成本
Claude Fable 5.2 + Claude Code92%378 s1.242 美元
Gemini 4 Carbon + Antigravity90%937 s1.130 美元(推广期价)
GPT-6.2 Astra + Codex89%223 s1.457 美元
Claude Opus 5.5 + Claude Code89%326 s0.510 美元
GPT-6.2 Sol + Codex87%267 s0.386 美元
karpo-browser(自测,不在榜上)84%218 s0.096 美元
GPT-6.1 Terra + Codex79%312 s0.117 美元
DeepSeek V4.1 Flash + Eve63%713 s0.304 美元

看最后一行:同样是 DeepSeek V4.1 Flash 当规划器,换 Eve 框架只有 63%,换 karpo-browser 到了 84%。多出的二十个点,大致可以算在 System 1 和这套 harness 头上。

三种做法的差别:

每步都调大模型(Claude Code、Codex 等直接驱动浏览器)视觉 computer use(截图 + 坐标点击)karpo-browser(决策模型 + 大模型)
每步输出一段文字或工具调用坐标和按键一个选项的概率,0 token
动作空间开放开放固定的几种动作 + 七种结束
擅长复杂判断、读长内容没有 DOM 的界面高频、重复的页面操作
短板慢、贵更慢,坐标易错新网站泛化未知,审批靠模型自觉

口径和分歧

  • 都是自测。karpo-browser 没上 Stagehand 榜,榜上每条只跑一次,它的 38 题是八轮平均;官方也说计时边界不同、harness 针对这套任务调过参,「不是对照比较」。
  • 102 题的成绩有三个版本:博客写三轮 88.2%、87.3%、91.2%,平均 88.9%;模型卡写 86%;量子位报道写 89%。
  • 成本只算了模型。System 1 按基座模型输入价 0.06 美元 / 百万 token 估算;按实际 GPU 小时算是每题 0.11–0.14 美元。云浏览器每题 0.33–0.38 美元没算进去。
  • 上下文长度:量子位写 31B 支持 256K,模型卡写每条序列 32,768 token、超长按问题拆分。i10x 也注意到这个出入,本文以模型卡为准。
  • KBB 的局限官方也写了:回放页面测不出纠错能力;训练数据含 KBB 同一站点家族的其他样本,衡量的是「熟悉网站家族里的新任务」。
  • 目前没找到第三方独立测评。i10x 评价 31B 时提醒,「第一名」是按榜单分组规则得到的并列,94 ms 是高端 GPU 单请求测的,不代表并发吞吐。

适合用在哪,坑在哪

适合:

  • 量大、流程固定的网页操作:比价、查票、填表、后台录入,跑得越多,单步省下的时间越明显
  • 已经在用 Claude Code / Codex 做 Agent,想把浏览器那一段换成更快的执行器:karpo-browser 提供 MCP 服务器,run_browser_agent 把目标丢进去,拿回运行结果
  • 想自己部署、数据不出机房:权重和推理代码都是 Apache-2.0

接入方式按 README,Claude Code 里是:

/plugin marketplace add machinepulse-ai/karpo-browser
/plugin install karpo-browser@karpo-browser

Codex 里是:

codex mcp add karpo-browser \
  --env SYSTEM1_MODEL=typesafe/jev-1.14 --env SYSTEM1_API_KEY=sk-or-... \
  -- npx -y karpo-browser mcp

(本文未实测。需要 Node.js 22.18+ 和 Chrome / Chromium。)

要注意的地方:

  1. 框架默认用的不是自家 27B Act。README 里 SYSTEM1_MODEL 的默认值是 OpenRouter 上的 typesafe/jev-1.14,也支持 google/gemini-decision-1、openai/gpt-6-luna-decisions,或任何实现 System One 协议的自建服务。
  2. 自建服务和框架客户端路径不一致。模型卡写明:karpo-decision 的 HTTP 服务(POST /v1/systemone)和 karpo-browser 客户端请求的路径不同,要自己做一层适配。服务默认只监听 127.0.0.1,没有鉴权也没有 TLS。
  3. 硬件门槛不低。权重约 52 GB,官方用 96 GB 显存的 RTX PRO 6000 测试;开 --fp8 和 --graphs 启动约 7 分钟,--fp8 会让答案略有变化。
  4. 付款这类不可逆操作没有代码层拦截。停不停下来审批,看模型选不选 NEEDS_APPROVAL;KBB 上越权动作每千步 0.99 次。生产环境最好在框架外再加一道硬规则。
  5. 截图仍会给到 System 2。输入密钥后 System 1 不再收截图,但开了图像输入的话,System 2 照样会收到。密钥本身只以名字传给模型。

我的判断

这个项目有意思的地方不在分数,而是把「决策模型」从榜单上的新品类变成了能接进 Agent 的执行层。过去两个多月,Jev、Gemini Decision 1、GPT-6 Luna Decisions 陆续出来,讨论多在「一次前向答一堆选择题」有多快,完整能跑的用法很少。karpo-browser 给了一份:动作空间怎么定、自由文本怎么绕开、何时交还控制权、超时怎么处理,这些细节比 84% 更有参考价值。

我不觉得它会取代 Claude Code 这类大模型直驱的方案。KBB 上它的完成率仍比通用大模型低几个点,纠错能力测不出,没见过的网站家族也没有数据。更可能的走向是:通用 Agent 框架把「浏览器执行」做成可插拔的一层,高频、模式固定的操作走小模型,复杂判断仍然回到大模型。如果第三方用榜单的单轮口径复测还能稳在 80% 以上,这条路就算站住了。

参考资料