40억·80억 파라미터 모델인데도 더 큰 일부 비공개 시스템 벤치마크를 앞섰거든요

AI2가 스크린샷만 보고 웹을 조작하는 완전 공개형 에이전트 MolmoWeb을 공개했어요. 40억·80억 파라미터 모델인데도 더 큰 일부 비공개 시스템 벤치마크를 앞섰거든요.

이 모델은 DOM이나 소스코드를 읽지 않고, 사람 눈에 보이는 화면만 보고 클릭·스크롤·탭 전환·URL 이동을 반복해요. 웹 구조 변경보다 화면 변화가 덜하다는 점을 활용해 더 견고하고 추적 가능한 의사결정을 노린 거예요.

학습도 전면 공개예요. 사람 시연+자동 생성 브라우징 데이터를 써서 RL 없이, 비공개 모델 증류 없이 64개 H100 GPU로 SFT했어요. Molmo2 아키텍처에 Qwen3 언어모델과 SigLIP2 비전 인코더를 결합했어요.

특히 MolmoWebMix 데이터셋이 핵심인데요, 1,100개 이상 사이트에서 3만6,000개 실제 작업 실행을 기록한 공개 데이터라는 점이 오픈 웹 에이전트 생태계의 기반을 바꿀 신호예요.