Дослідники опублікували 3 вересня 2026 року на arXiv роботу під ідентифікатором 2609.02885, у якій пропонують дискримінативні world models — моделі, що навчаються передбачати лише наслідок конкретної дії веб-агента, а не генерувати весь наступний стан сторінки. Ідея проста: замість того щоб «домальовувати» ціле вікно браузера пікселем за пікселем, модель відповідає на вужче питання — що зміниться після кліку, введення тексту чи переходу за посиланням.

Для команд, що будують браузерних агентів на базі Claude, GPT чи Gemini, це не абстрактна теорія. Кожен, хто пробував автоматизувати заповнення форми на реальному сайті, знає: агент клікає «не туди», бо не вміє заздалегідь оцінити, чи відкриє кнопка модальне вікно, чи просто підсвітить елемент. За даними arXiv, дискримінативний підхід дозволяє агенту точніше оцінювати такі наслідки без побудови повноцінного симулятора інтерфейсу.

Різниця між «повноцінним симулятором» і «дискримінативною моделлю» — це різниця між генерацією і класифікацією, і саме вона визначає, наскільки реалістично впровадити підхід у продакшн.

Що саме змінює новий підхід?

Замість генеративного world model, який намагається відтворити весь наступний екран (по суті — прогнозувати зображення чи DOM-дерево цілком), дискримінативна модель вирішує простішу задачу: оцінити, наскільки ймовірним є той чи інший наслідок дії. Це схоже на різницю між художником, який малює портрет з нуля, і експертом, який просто каже «так, це та сама людина» чи «ні, не та». Друга задача обчислювально дешевша й менш вразлива до помилок накопичення, коли дрібна неточність в одному кадрі спотворює всі наступні прогнози.

Чому агентам взагалі потрібна модель світу?

Агент, який просто виконує дії і дивиться на результат по факту, витрачає купу зайвих кроків: клікнув, зачекав рендер, перевірив, чи то, що очікував, — і якщо ні, відкотився назад. World model дозволяє агенту прогнозувати результат до виконання дії й відсіювати завідомо невдалі варіанти ще на етапі планування. Для складних інтерфейсів — багатокрокових форм, кастомних дропдаунів, динамічних SPA — це означає менше зайвих кліків і менше застряглих сесій.

• Менше «сліпих» кліків навмання по елементах з невідомою поведінкою;
• Менше залежності від крихких CSS-селекторів і XPath, які ламаються при кожному редизайні сайту;
• Потенційно швидше відновлення після помилкового кроку, бо агент розпізнає відхилення від очікуваного стану раніше.

Чи означає це кінець крихких скриптів для автоматизації сайтів?

Наразі ні — і про це важливо сказати чесно. Робота описує метод передбачення наслідків дій, а не готовий комерційний продукт: ідеться про покращення навігації, а не про повну заміну симуляторів середовища в усіх сценаріях. Ймовірно, перші практичні впровадження зʼявляться спершу у вузьких доменах — типових e-commerce чи SaaS-інтерфейсах з передбачуваною структурою, а не в довільному довгому хвості сайтів з нестандартною версткою.

Що з цим робити AI-білдерам зараз?

Якщо ви будуєте browser-агента на основі Claude чи іншої моделі з tool use, головний висновок не «біжіть впроваджувати дискримінативний world model завтра», а «стежте за категорією». Ми в AiiN бачимо в цьому підтвердження ширшого тренду: індустрія рухається від агентів, що діють наосліп і виправляють помилки постфактум, до агентів, які прогнозують наслідки дій до їх виконання. Це той самий напрямок, у якому рухається робота Meta над агентом Hatch — про відмову компанії від token-maxxing на користь ефективніших агентних архітектур ми писали окремо. Практична порада: якщо ваш агент регулярно «застрягає» на динамічних елементах інтерфейсу, вартість помилкового кліку варто оцінювати заздалегідь, а не покладатися лише на retry-логіку.

Що таке world model і чим дискримінативна версія відрізняється від генеративної?

World model — це компонент агентної системи, що прогнозує, як зміниться середовище у відповідь на дію агента. Генеративна версія намагається відтворити весь наступний стан — наприклад, повний скриншот чи DOM-дерево, тоді як дискримінативна версія лише оцінює конкретну гіпотезу про наслідок, що вимагає значно менше обчислень.

Коли варто чекати практичного застосування такого підходу?

Точних термінів автори роботи не наводять. Дослідницькі методи такого типу зазвичай проходять шлях від arXiv-препринту до відкритої реалізації протягом кількох місяців чи кварталів — за умови, що результати підтвердяться на незалежних бенчмарках навігації веб-агентів.