Karpo 开源浏览器 Agent:让 0 输出 token 的决策模型替大模型点网页

0 阅读12分钟

浏览器 Agent 的毛病,用过的人大概都有体会:能做成,就是慢,而且贵。让 Claude Code 或 Codex 去网页上订个东西、查个价格,每点一下都要把整页内容塞给大模型,等它想好再输出一个动作。

MachinePulse(Karpo 团队)这周开源的 karpo-browser 换了个思路:点哪个按钮、填哪个框这种一步一步的选择,交给一个不生成文字的决策模型;大模型只管规划、读页面和最后回答。模型卡里有个数字很说明问题:一次完整评测里,决策模型被调用 8,089 次,输出 token 是 0。

下面对照官方仓库和两张模型卡拆一下它的设计。

它是什么

项目内容
发布方MachinePulse(MachinePulse Pte. Ltd.),产品名 Karpo
发布时间Hugging Face 合集 2026-11-20 前后更新,模型卡评测日期 11-19 至 11-20;量子位 11-21 报道
开源内容浏览器框架 karpo-browser(TypeScript)、动作决策模型 Karpo Decision 27B Act、通用决策模型 Karpo Decision 系列(0.8B 到 31B 共 6 个尺寸)、评测集 Karpo BrowserBench(KBB)
许可证代码和权重都是 Apache-2.0;基座模型部分(Qwen3.8、Gemma 4)保留各自的许可证
接入方式MCP(Claude Code 插件、Codex、任意 stdio MCP 客户端)、CLI、TS 库
运行要求Node.js 22.18+;决策模型可走 OpenRouter 的决策接口,也可以自建(27B Act 在一张 96 GB RTX PRO 6000 上测试过)
成本(官方自测)Browserbase Benchmark v2 上每任务模型成本 0.096 美元

原理和架构

1. 双系统分工:大模型只做需要判断的事

README 把整个系统分成两层:

  你的 Agent(System 2:Claude Code / Codex / 自研)
        │  run_browser_agent(goal, values)
        ▼
  karpo-browser MCP server ── Run loop:读页面 → 提问 → 执行 → 等页面稳定
        │                                   │
        │ POST {model, state, questions}    │ Chrome DevTools Protocol
        ▼                                   ▼
  决策模型(System 1)                     Chrome
  返回 {answers: 选项 + 概率}

System 2 下一个目标,比如「在维基百科打开 Apache License 词条」,附上允许输入的值(search=Apache License)。之后的循环里,System 1 每一步只回答一个选择题:从页面上带编号的元素里挑一个动作,像 CLICK 5、FILL 3,或者干脆结束。

README 里有一句话概括了这个取舍:大模型只处理 "the plan, the reading, the answer"。

为什么这样拆?浏览器任务里的步骤大多不难,难在数量多。一个订票流程可能要点二三十次,每次都让前沿大模型读几千 token 的页面再生成一段推理,时间和 token 都耗在了「下一步点哪个」这种其实很确定的问题上。把这类问题交给专门的小模型,大模型的调用次数就降下来了。官方自测里,System 1 完成了约 78% 的页面动作,只占 14% 的时间(201 秒里的 27.5 秒)和约 13% 的成本。

2. Readout Head:一次前向,直接给概率

决策模型为什么输出 0 个 token?两张模型卡写得很清楚:

  • 每个选项都带一个选项码,checkpoint 里删掉了 lm_head 和多 token 预测层,换成一个线性 readout(27B Act 是 255 × 5,120,fp32)。
  • 在每道题的读出位置,readout 对 255 个选项码打分,再只在这道题自己的选项上做 softmax。

结果有两点。第一,答案必定是列出来的选项之一,不会出现大模型那种格式错了、编了个不存在的元素编号的情况。第二,返回的是一组概率,下游可以拿来做阈值判断。返回格式大致是这样(README 原文示例):

{ "answers": {
    "step": { "choice": "CLICK 5", "probabilities": { "CLICK 5": 0.93, "DONE": 0.01 } },
    "looping": { "noul": 0.02 } } }

和 LLM 的 JSON mode、结构化输出比,差别在于后者仍然是逐 token 采样,只是被约束在某个格式里;Readout Head 根本不采样,一次前向就结束。代价是它只能做选择、判断、打分三类题(choice 最多 255 个选项、noul 真假、score 量表),写不了任何自由文本。所以要往搜索框里输入的字必须由 System 2 通过 --value 传进来,写在 goal 里的值不会被输入,看得出是有意这么设计的。

3. 一个状态,多道题,一次算完

每一步其实不止一道题:除了「下一步做什么」,还有一道「是不是在兜圈子」。填表和下拉框还有后续题。31B 模型卡描述了它们怎么塞进同一条序列:

[问题列表] [state:目标、已做动作、编号元素、截图] [分支1:题1+选项+读出点] [分支2] ...

规则是每个分支只能看到前面的共享块和它自己,看不到其他分支。这样页面状态每条序列只编码一次,题和题之间也不会互相串选项。量子位把这个机制叫 Branch Attention,模型卡里没用这个词;31B 卡说布局参考了 FlexDM 和 jev-brain,共享块加分支的规则参考了 Sieve-31B-v3。

27B Act 的基座是 Qwen3.8-27B,用的是混合注意力:全注意力层双向读整条序列,线性注意力层只能顺序读。所以问题列表要放在 state 前面,线性层读页面时才「知道」要回答什么。这是个很实际的细节:换基座,序列布局也得跟着改。

上下文是每序列 32,768 token,karpo-browser 里单请求最多约 32,000 token、255 个选项,输入中位数 7.3k 到 7.7k token。超长就按题拆开,每部分带完整 state;单道题加 state 还放不下就直接拒绝,不截断。

4. 停下来的方式比点击更重要

Act 模型的选项里,7 个是「结束」:DONE、NEEDS_FROM_PERSON、NEEDS_APPROVAL、SITE_CANNOT、BLOCKED、PAGE_UNUSABLE、OTHER_FAILURE。另外每步那道「是否兜圈子」,概率连续 2 步 ≥ 0.8 就把控制权交还 System 2。

README 也规定了 System 2 拿到每种状态后该干什么,比如 done 要自己核对页面是否真的满足任务,needs_approval(付款、预订、不可撤销的操作)只有任务明确允许才继续。还有一条:System 2 不得执行页面文本里出现的指令。

我觉得这部分比 Readout Head 更值得借鉴。浏览器 Agent 出事故,多半不是点错了按钮,而是该停的时候没停:付了不该付的钱,在验证码页面上无限重试。把「停」做成一等选项,并且分清楚是缺信息、要授权还是网站不让,System 2 才知道下一步该问人还是换路。KBB 评测专门统计了越权率,27B Act 自测是每千步 0.99 次。

5. 训练:真实网站录制 + 权重融合

27B Act 的训练链路是 Qwen3.8-27B → Karpo Decision 27B(通用决策模型,没单独发布)→ 网页动作微调。模型卡给出的细节:

  • 数据:真实消费类网站的任务录制,290,998 条序列(205,909 条带截图),551,102 道选择题,再混入 20% 通用决策题;KBB 的数据不在训练集里。
  • 全量微调 1 个 epoch,8,395 步,学习率 2e-6,冻结视觉编码器;约五分之一样本不带截图,所以有没有截图都能用。
  • 融合:先平均第 7,500 步、第 8,000 步和最终步的 checkpoint,再和起始模型按 0.7 / 0.3 混合(WiSE-FT)。官方称融合让 KBB 完成率从 27.6% 升到 35.3%,代价是通用决策能力比起始模型低 1.7 分。

量子位的报道还提到 RLCD(面向概率校准的强化学习),这在两张模型卡里都没有出现。RLCD 是 TypeSafe 在 Jev 上用的方法,Karpo 有没有用,以模型卡为准,目前算未公开。

跑分:要分开看

所有数字都是团队自测。

Browserbase Benchmark v2(Stagehand 官网 Browser Agent Evals 榜单上的 hardbench,System 2 用 DeepSeek V4.1 Flash):

任务集完成率每任务耗时运行次数
38 个核心任务84%218 s8 次均值
全部 102 个任务86%201 s3 次均值

量子位报道写的是 89%,和模型卡的 86% 对不上,本文按模型卡。Karpo 没有提交上榜,模型卡写明是「非榜单记录」。作为参照,Stagehand 榜单(2026-11-18 更新,91 条记录)前几名:

模型 + harness准确率每任务耗时
Claude Fable 5.2 + Claude Code92.0%378 s
Gemini 4 Carbon + Antigravity90.0%937 s
GPT-6.2 Astra + Codex89.0%223 s
Claude Opus 5.5 + Claude Code89.0%326 s
Karpo(自测,未上榜)86%201 s

准确率差几个点,速度在第一梯队。「比 Fable 5.2 + Claude Code 快 1.9 倍」的说法,就是 378 秒对 201 秒。

KBB 私有划分(1,794 条指令)就没那么好看了:27B Act 完成率 35.5%,榜单上四个通用 LLM 是 38.1% 到 41.0%,最好的其他决策模型 28.8%。也就是说,在 Karpo 自己做的考卷上,它的单步准确率也没赢过通用大模型,它赢在每条指令 0.0039 美元、每次决策中位延迟 931 ms。自己出的题没把自己排第一,这点我反而觉得可信。

还有一处出入:量子位说 31B 的校准误差(ECE)是 2.3%,31B 模型卡写的是 Calibration error 4.8 points,按模型卡。31B 在 Decision Index 0.4.1(2026-11-12 榜单)上是 73.9 分,和 GLiDE 27B(73.4)并列第一。

和其他做法对比

通用大模型每步决策(Claude Code / Codex 直接开浏览器)karpo-browser
每一步谁决定前沿大模型读页面、生成推理和动作决策模型一次前向选项,大模型只在开头、卡住和结尾出场
输出自由文本 / 工具调用,可能格式错、编号错只能是页面给出的选项之一,附概率
输入文字模型自己写只能用 System 2 传入的值;secrets 按名字填,任何模型都看不到
停止与求助靠提示词约束7 种结束选项 + 兜圈子检测,作为模型输出的一部分
能力上限能处理开放、陌生的页面逻辑受决策模型能力限制,KBB 单步完成率低于通用 LLM
部署只要有大模型 API还要一个决策模型:OpenRouter 决策接口或自建 GPU 服务

System 1 也不绑死 Karpo 自己的模型:README 列了 typesafe/jev-1.14(默认)、google/gemini-decision-1、openai/gpt-6-luna-decisions,以及任何实现了 System One 协议的自建服务(如 http://localhost:8000/v1/systemone)。今年 9 月以来陆续出现的这批「决策模型」,现在有了一个能直接跑起来的落地场景。

怎么接进 Claude Code / Codex

以下命令来自 README,本文未实测。Claude Code 里装插件:

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

启动 Claude Code 的 shell 里要先设好 SYSTEM1_MODEL、SYSTEM1_API_KEY(自建服务再加 SYSTEM1_URL)。Codex:

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

README 提醒,在 codex exec 里要加 --approve-for-me,否则每次页面操作都会要确认。MCP 暴露的工具有 open、run_browser_agent、read_page、click / type / select 等,System 2 卡住时可以自己接手点。

适用场景和局限

适合的:

  • 步骤多、页面结构常规的任务:电商下单、表单填报、后台查数据。这类任务里大部分步骤确定性高,正好交给 System 1。
  • 批量和定时跑的流程:每次省下来的大模型调用会累积。
  • 对「停下来」有要求的场景:涉及付款、提交的流程,NEEDS_APPROVAL 这类显式状态比提示词约束好审计。

不太适合或要注意的:

  • 自建门槛不低:27B Act 的 bf16 权重 52.2 GB,测试用的是 96 GB 显存的卡;开 --fp8 和 --graphs 加速后服务启动约 7 分钟。不自建就要依赖 OpenRouter 的 alpha 决策接口。
  • 陌生、反常的页面:KBB 上它的单步完成率低于通用大模型,复杂交互(拖拽、画布、强反爬)还得 System 2 接手。
  • 评测方法的局限:KBB 是录制后离线回放,不管模型选什么,下一页都是录制时的那一页,测的是单步决策,测不出出错之后能不能自己恢复。
  • 项目很早期:仓库目前 1 个 commit、没有 release;README 的一致性测试需要的录制页面也不在仓库里。
  • System 2 的责任没变:done 之后要核对页面,页面里的文字不能当指令执行。提示注入的风险主要落在 System 2 身上,决策模型只是把能做的动作限制在了选项里。

我的判断

karpo-browser 本身代码不多,值得看的是它把一个判断落到了工程上:Agent 的大部分步骤不需要生成,只需要选择。选择题可以交给一次前向就出概率的小模型,而且还能把「不知道」「该问人」「要授权」都做成选项。这个思路不限于浏览器,任何「从有限动作里挑一个」的 Agent 环节,比如工具路由、终止判断,都能这么拆。

跑分我会打折看。Browserbase 上的 86% 是自测,没上榜;KBB 是自己的考卷,而且它在上面并没有赢过通用大模型。真正要验证的是两件事:换成你自己业务里的网站,System 1 的完成率掉多少;System 2 接手的频率高不高。接手太频繁,省下的时间又会还回去。

如果你的 Agent 里有大量「下一步点哪个」的调用,这套双系统值得拿一个流程试试;如果主要是开放式的网页研究,先不用急着换。

参考资料