AI2、スクリーンショットのみでWebナビゲーションする完全オープンソースエージェント「MolmoWeb」を発表
要約
Allen Institute for AI（AI2）が、スクリーンショットのみを使用してWebサイトをナビゲートできる完全オープンソースのWebエージェント「MolmoWeb」を発表しました。このエージェントは40億パラメータと80億パラメータの2つのバージョンがあり、より大規模なプロプライエタリシステムを標準的なベンチマークで上回る性能を示しています。従来のWebエージェントがHTMLやDOM情報に依存することが多い中、MolmoWebは人間と同様にスクリーンショット（視覚情報）のみを使用してWebサイトを操作する画期的なアプローチを採用しており、より汎用的で実用的なWeb自動化を可能にしています。
洞察・気づき
MolmoWebの発表は、Webエージェント技術において重要な転換点を示しています。完全オープンソースでありながら大手企業のプロプライエタリシステムを上回る性能は、オープンソースAIの競争力の高さを証明しています。また、スクリーンショットのみに依存するアプローチは、Web構造に依存しない汎用性と、視覚的理解能力の向上を示唆しており、今後のマルチモーダルAIの発展方向を示しています。比較的小さなパラメータ数で高性能を実現している点も、効率的なAIモデル開発の重要性を裏付けており、リソース制約のある環境でも高度なWebエージェント機能を利用できる可能性を広げています。