[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-THUDM--AutoWebGLM":3,"tool-THUDM--AutoWebGLM":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":106,"forks":107,"last_commit_at":108,"license":109,"difficulty_score":110,"env_os":111,"env_gpu":111,"env_ram":111,"env_deps":112,"category_tags":115,"github_topics":80,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":116,"updated_at":117,"faqs":118,"releases":119},2529,"THUDM\u002FAutoWebGLM","AutoWebGLM","An LLM-based Web Navigating Agent (KDD'24)","AutoWebGLM 是一款基于大型语言模型构建的自动化网页导航智能体，旨在让 AI 像人类一样高效地浏览和操作网页。它基于 ChatGLM3-6B 模型开发，能够理解复杂的网页结构，并自动执行点击、输入等浏览器操作，从而完成诸如信息检索、表单填写等现实世界中的浏览任务。\n\n在传统的 AI 网页交互中，模型往往难以处理冗长且杂乱的网页代码，导致操作效率低下或出错。AutoWebGLM 重点解决了这一痛点，通过模拟人类的浏览习惯，显著提升了 AI 在真实网络环境下的导航能力和任务完成率。\n\n其核心技术亮点包括：首先，独创的 HTML 简化算法，能在保留关键信息的同时剔除冗余代码，使网页内容更易于被模型理解；其次，采用“人机混合”的课程学习策略，结合强化学习与拒绝采样技术，大幅增强了模型对网页内容的 comprehension（理解力）及复杂任务的拆解能力。此外，项目还开源了双语基准测试集 AutoWebBench，为评估 AI 网页导航能力提供了标准化工具。\n\nAutoWebGLM 主要面向人工智能研究人员、大模型开发者以及对自动化工作流感兴趣的技术专家。对于希望探索 LLM 在 Web","AutoWebGLM 是一款基于大型语言模型构建的自动化网页导航智能体，旨在让 AI 像人类一样高效地浏览和操作网页。它基于 ChatGLM3-6B 模型开发，能够理解复杂的网页结构，并自动执行点击、输入等浏览器操作，从而完成诸如信息检索、表单填写等现实世界中的浏览任务。\n\n在传统的 AI 网页交互中，模型往往难以处理冗长且杂乱的网页代码，导致操作效率低下或出错。AutoWebGLM 重点解决了这一痛点，通过模拟人类的浏览习惯，显著提升了 AI 在真实网络环境下的导航能力和任务完成率。\n\n其核心技术亮点包括：首先，独创的 HTML 简化算法，能在保留关键信息的同时剔除冗余代码，使网页内容更易于被模型理解；其次，采用“人机混合”的课程学习策略，结合强化学习与拒绝采样技术，大幅增强了模型对网页内容的 comprehension（理解力）及复杂任务的拆解能力。此外，项目还开源了双语基准测试集 AutoWebBench，为评估 AI 网页导航能力提供了标准化工具。\n\nAutoWebGLM 主要面向人工智能研究人员、大模型开发者以及对自动化工作流感兴趣的技术专家。对于希望探索 LLM 在 Web Agent 领域应用的研究者，或需要构建自动化数据采集、测试系统的开发者而言，这是一个极具参考价值的开源项目。普通用户虽不直接操作代码，但可关注其技术进展，未来这类能力有望集成到各类智能助手产品中，提升日常上网体验。","\u003Ch1>AutoWebGLM: A Large Language Model-based Web Navigating Agent\u003C\u002Fh1>\n\nThis is the official implementation of AutoWebGLM. If you find our open-sourced efforts useful, please 🌟 the repo to encourage our following development!\n\n# Overview\n\n![paper](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTHUDM_AutoWebGLM_readme_df8b0c5b1846.png)\n\nAutoWebGLM is a project aimed at building a more efficient language model-driven automated web navigation agent. This project is built on top of the ChatGLM3-6B model, extending its capabilities to navigate the web more effectively and tackle real-world browsing challenges better. \n\n## Features\n\n-   **HTML Simplification Algorithm**: Inspired by human browsing patterns, we've designed an algorithm to simplify HTML, making webpages more digestible for LLM agents while preserving crucial information.\n-   **Hybrid Human-AI Training**: We combine human and AI knowledge to build web browsing data for curriculum training, enhancing the model's practical navigation skills.\n-   **Reinforcement Learning and Rejection Sampling**: We enhance the model's webpage comprehension, browser operations, and efficient task decomposition abilities by bootstrapping it with reinforcement learning and rejection sampling.\n-   **Bilingual Web Navigation Benchmark**: We introduce AutoWebBench—a bilingual (Chinese and English) benchmark for real-world web browsing tasks. This benchmark provides a robust tool for testing and refining the capabilities of AI web navigation agents.\n\n# Evaluation\n\nWe have publicly disclosed our evaluation code, data, and environment. You may conduct the experiment using the following code.\n\n## AutoWebBench & Mind2Web\n\nYou can find our evaluation datasets at \u003Ca href=\".\u002Fautowebbench\u002F\" alt=\"autowebbench\">AutoWebBench\u003C\u002Fa> and \u003Ca href=\".\u002Fmind2web\u002F\" alt=\"mind2web\">Mind2Web\u003C\u002Fa>. \nFor the code to perform model inference, please refer to \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FTHUDM\u002Fchatglm3-6b\" alt=\"chatglm3-6b\">ChatGLM3-6B\u003C\u002Fa>.\nAfter obtaining the output file, the score can be obtained through ```python eval.py [result_path]```.\n\n## WebArena\n\nWe have made modifications to the WebArena environment to fit the interaction of our system; see \u003Ca href=\".\u002Fwebarena\u002F\" alt=\"webarena\">WebArena\u003C\u002Fa>. The modifications and execution instructions can be found in \u003Ca href=\".\u002Fwebarena\u002FREADME.md\" alt=\"readme\">README\u003C\u002Fa>.\n\n## MiniWob++\n\nWe have also made modifications to the MiniWob++ environment, see \u003Ca href=\".\u002Fminiwob++\u002F\" alt=\"miniwob++\">MiniWob++\u003C\u002Fa>. The modifications and execution instructions can be found in \u003Ca href=\".\u002Fminiwob++\u002FREADME.md\" alt=\"readme\">README\u003C\u002Fa>.\n\n# License\n\nThis repository is licensed under the [Apache-2.0 License](LICENSE). All open-sourced data is for resarch purpose only.\n\n# Citation\nIf you use this code for your research, please cite our paper.\n\n```\n@inproceedings{lai2024autowebglm,\n    author = {Lai, Hanyu and Liu, Xiao and Iong, Iat Long and Yao, Shuntian and Chen, Yuxuan and Shen, Pengbo and Yu, Hao and Zhang, Hanchen and Zhang, Xiaohan and Dong, Yuxiao and Tang, Jie},\n    title = {AutoWebGLM: A Large Language Model-based Web Navigating Agent},\n    booktitle = {Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining},\n    pages = {5295–-5306},\n    year = {2024}\n}\n```\n","\u003Ch1>AutoWebGLM：基于大型語言模型的網頁導航代理\u003C\u002Fh1>\n\n這是 AutoWebGLM 的官方實現。如果您認為我們的開源工作有所幫助，請為本倉庫點讚 🌟，以鼓勵我們後續的開發！\n\n# 概述\n\n![paper](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTHUDM_AutoWebGLM_readme_df8b0c5b1846.png)\n\nAutoWebGLM 是一個旨在構建更高效、由語言模型驅動的自動化網頁導航代理的項目。該項目基於 ChatGLM3-6B 模型，擴展其能力，使其能夠更有效地進行網頁導航，並更好地應對現實世界的瀏覽挑戰。\n\n## 特色功能\n\n-   **HTML 簡化算法**：受人類瀏覽模式啟發，我們設計了一種 HTML 簡化算法，使網頁對 LLM 代理來說更易於理解，同時保留關鍵信息。\n-   **人機混合訓練**：我們結合人類和 AI 的知識來構建用於課程式訓練的網頁瀏覽數據，從而提升模型的實用導航技能。\n-   **強化學習與拒絕採樣**：通過強化學習和拒絕採樣的方法來增強模型對網頁的理解能力、瀏覽器操作能力以及高效的任務分解能力。\n-   **雙語網頁導航基準測試集**：我們推出了 AutoWebBench——一個用於真實世界網頁瀏覽任務的雙語（中文和英文）基準測試集。該測試集為測試和優化 AI 網頁導航代理的能力提供了強有力的工具。\n\n# 評估\n\n我們已公開披露了評估代碼、數據和環境。您可以使用以下代碼進行實驗。\n\n## AutoWebBench & Mind2Web\n\n您可以在 \u003Ca href=\".\u002Fautowebbench\u002F\" alt=\"autowebbench\">AutoWebBench\u003C\u002Fa> 和 \u003Ca href=\".\u002Fmind2web\u002F\" alt=\"mind2web\">Mind2Web\u003C\u002Fa> 找到我們的評估數據集。  \n對於執行模型推理的代碼，請參閱 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FTHUDM\u002Fchatglm3-6b\" alt=\"chatglm3-6b\">ChatGLM3-6B\u003C\u002Fa>。  \n獲取輸出文件後，可以通過 ```python eval.py [result_path]``` 來獲得得分。\n\n## WebArena\n\n我們對 WebArena 環境進行了修改，以適應我們系統的交互方式；詳情請見 \u003Ca href=\".\u002Fwebarena\u002F\" alt=\"webarena\">WebArena\u003C\u002Fa>。修改內容及執行說明可在 \u003Ca href=\".\u002Fwebarena\u002FREADME.md\" alt=\"readme\">README\u003C\u002Fa> 中找到。\n\n## MiniWob++\n\n我們也對 MiniWob++ 環境進行了修改，詳情請見 \u003Ca href=\".\u002Fminiwob++\u002F\" alt=\"miniwob++\">MiniWob++\u003C\u002Fa>。修改內容及執行說明可在 \u003Ca href=\".\u002Fminiwob++\u002FREADME.md\" alt=\"readme\">README\u003C\u002Fa> 中找到。\n\n# 授權條款\n\n本倉庫採用 [Apache-2.0 許可證](LICENSE)。所有開源數據僅供研究使用。\n\n# 引用\n如果您在研究中使用此代碼，請引用我們的論文。\n\n```\n@inproceedings{lai2024autowebglm,\n    author = {Lai, Hanyu and Liu, Xiao and Iong, Iat Long and Yao, Shuntian and Chen, Yuxuan and Shen, Pengbo and Yu, Hao and Zhang, Hanchen and Zhang, Xiaohan and Dong, Yuxiao and Tang, Jie},\n    title = {AutoWebGLM: A Large Language Model-based Web Navigating Agent},\n    booktitle = {Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining},\n    pages = {5295–-5306},\n    year = {2024}\n}\n```","# AutoWebGLM 快速上手指南\n\nAutoWebGLM 是一个基于 ChatGLM3-6B 大语言模型的自动化网页导航智能体。它通过 HTML 简化算法、人机混合训练以及强化学习等技术，提升了模型在真实世界网页浏览任务中的理解与操作能力。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux (推荐) 或 macOS\n*   **Python 版本**：Python 3.8 或更高版本\n*   **硬件要求**：建议配备支持 CUDA 的 NVIDIA GPU（显存建议 16GB+ 以流畅运行 ChatGLM3-6B）\n*   **前置依赖**：\n    *   Git\n    *   PyTorch (需与 CUDA 版本匹配)\n    *   Hugging Face Transformers 库\n\n> **提示**：国内开发者建议使用清华源或阿里云源加速 Python 包的安装。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FTHUDM\u002FAutoWebGLM.git\n    cd AutoWebGLM\n    ```\n\n2.  **安装依赖**\n    创建虚拟环境并安装项目所需的 Python 依赖包：\n    ```bash\n    pip install -r requirements.txt\n    ```\n\n3.  **获取基座模型**\n    AutoWebGLM 基于 ChatGLM3-6B 构建。请从 Hugging Face 或 ModelScope（魔搭社区）下载模型权重。\n    \n    *   **Hugging Face**: [THUDM\u002Fchatglm3-6b](https:\u002F\u002Fhuggingface.co\u002FTHUDM\u002Fchatglm3-6b)\n    *   **ModelScope (国内加速)**:\n        ```bash\n        # 如果安装了 modelscope 库\n        from modelscope import snapshot_download\n        model_dir = snapshot_download('ZhipuAI\u002Fchatglm3-6b')\n        ```\n\n## 基本使用\n\nAutoWebGLM 的核心功能体现在对网页环境的交互与评估上。以下是基于官方提供的评估基准进行推理的基本流程。\n\n### 1. 模型推理\n\n首先，您需要加载模型并对网页任务进行推理。具体的推理代码实现请参考 `ChatGLM3-6B` 的相关文档及本项目中的评估脚本。确保模型路径指向您下载的 ChatGLM3-6B 权重目录。\n\n### 2. 执行评估\n\n项目提供了多个基准测试环境（AutoWebBench, Mind2Web, WebArena, MiniWob++）。以生成结果文件后的评分为例，使用以下命令计算得分：\n\n```bash\npython eval.py [result_path]\n```\n\n*   `[result_path]`：替换为您模型推理输出的结果文件路径。\n\n### 3. 特定环境配置\n\n如果您希望运行特定的仿真环境（如 WebArena 或 MiniWob++），请进入对应子目录查看详细的修改说明和启动指令：\n\n*   **WebArena**: 参见 `.\u002Fwebarena\u002FREADME.md`\n*   **MiniWob++**: 参见 `.\u002Fminiwob++\u002FREADME.md`\n*   **AutoWebBench & Mind2Web**: 数据集位于 `.\u002Fautowebbench\u002F` 和 `.\u002Fmind2web\u002F` 目录下。\n\n---\n*注：本工具开源数据仅用于研究目的，遵循 Apache-2.0 许可证。*","某电商公司的数据分析师需要每日从多个竞争对手的中文及英文官网抓取特定促销商品的价格、库存状态及用户评价，以生成市场日报。\n\n### 没有 AutoWebGLM 时\n- **维护成本极高**：传统爬虫依赖固定的 CSS 选择器或 XPath，一旦竞品网站调整页面布局或类名，脚本立即失效，工程师需频繁手动修复代码。\n- **信息噪声干扰大**：网页包含大量广告、导航栏等无关 HTML 标签，直接输入大模型会导致上下文窗口溢出或关键信息被淹没，提取准确率低下。\n- **复杂交互难以处理**：面对需要点击“加载更多”、切换语言版本或处理弹窗验证的动态页面，传统自动化脚本逻辑僵化，极易卡死或出错。\n- **多语言支持薄弱**：同时处理中英文站点时，需分别维护两套解析逻辑，且难以理解跨语言的语义细微差别，导致数据标准化困难。\n\n### 使用 AutoWebGLM 后\n- **自适应导航能力**：AutoWebGLM 基于 ChatGLM3-6B 构建，能像人类一样理解页面语义并自主规划操作路径，即使页面结构微调，也能通过语义识别继续完成任务，大幅降低维护频率。\n- **智能 HTML 简化**：其内置的 HTML 简化算法能自动剔除广告和冗余标签，仅保留核心内容，使模型更专注于关键数据提取，显著提升了解析的准确性和效率。\n- **强化学习驱动决策**：经过强化学习和拒绝采样训练，AutoWebGLM 能精准执行点击、滚动等复杂浏览器操作，流畅处理动态加载内容和常见交互障碍，任务成功率更高。\n- **原生双语基准优化**：依托 AutoWebBench 双语基准训练，它能无缝切换中英文语境，统一提取标准，无需为不同语言站点编写独立规则，实现了真正的全球化数据采集。\n\nAutoWebGLM 将繁琐易碎的规则式爬虫升级为智能、鲁棒的自主导航代理，显著提升了跨平台数据采集的效率与稳定性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTHUDM_AutoWebGLM_3c27fca8.png","THUDM","THUKEG","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FTHUDM_698cabbc.png","ChatGLM, GLM-4, CogVLM, CodeGeeX, CogView, ImageReward, CogVideoX | CogDL, GraphMAE, AMiner | Zhipu.ai (Z.ai) & Knowledge Engineering Group (KEG)",null,"keg.cs.tsinghua@gmail.com","thukeg","https:\u002F\u002Fhuggingface.co\u002FTHUDM","https:\u002F\u002Fgithub.com\u002FTHUDM",[86,90,94,98,102],{"name":87,"color":88,"percentage":89},"Python","#3572A5",91.5,{"name":91,"color":92,"percentage":93},"JavaScript","#f1e05a",3.1,{"name":95,"color":96,"percentage":97},"HTML","#e34c26",2.4,{"name":99,"color":100,"percentage":101},"Jupyter Notebook","#DA5B0B",2.2,{"name":103,"color":104,"percentage":105},"Shell","#89e051",0.9,934,84,"2026-03-29T10:06:39","Apache-2.0",4,"未说明",{"notes":113,"python":111,"dependencies":114},"README 中未提供具体的环境配置、依赖列表或硬件需求。仅提及该工具基于 ChatGLM3-6B 模型构建，并提供了评估代码和数据集的链接。具体依赖和运行环境需参考 ChatGLM3-6B 的官方文档或项目根目录下可能存在的 requirements.txt（但 README 中未列出）。",[],[26,15],"2026-03-27T02:49:30.150509","2026-04-06T05:15:44.680957",[],[]]