MolmoWeb: Open-Source-Browser-Agent schlägt proprietäre Modelle bei Web-Aufgaben

Das Allen Institute for AI, kurz Ai2, hat MolmoWeb veröffentlicht, einen Open-Source-Browser-Agenten mit 4 und 8 Milliarden Parametern. Das Modell steuert einen Browser über Screenshots. Laut Ai2 erreicht es auf mehreren Benchmarks bessere Ergebnisse als deutlich größere proprietäre Modelle. Ai2 veröffentlicht dazu einen Trainingsdatensatz mit über 623.000 Einzelaktionen.

Was ist MolmoWeb?

MolmoWeb ist ein visueller Web-Agent, der auf dem Molmo-2-Modell von Ai2 basiert. Im Kern funktioniert er wie ein Mensch mit einem Browser. Der Agent analyisiert einen Screenshot der aktuellen Seite, überlegt welche Aufgabe ansteht und führt dann eine Aktion aus. Das kann ein Klick, eine Texteingabe, Scrollen oder ein Tab-Wechsel sein. Laut dem offiziellen Ai2-Blogpost arbeitet MolmoWeb ausschließlich mit Screenshots, nicht mit dem HTML-Code oder dem Accessibility Tree einer Seite.

Dieser Screenshot-basierte Ansatz hat praktische Vorteile. Ein einzelner Screenshot ist deutlich kompakter als eine serialisierte Seitenstruktur. Visuelle Interfaces bleiben stabil, auch wenn sich der HTML-Code ändert. Weil das Modell die gleiche Oberfläche sieht wie der Nutzer, ist sein Verhalten nachvollziehbar.

MolmoWeb ist in zwei Größen verfügbar: 4 Milliarden und 8 Milliarden Parameter. Gewichte, Code, Trainingsdaten und Evaluierungstools sind auf dem offiziellen Hugging-Face-Repository und auf dem offiziellen GitHub-Repository verfügbar.

Anzeige

Wie schneidet MolmoWeb im Benchmark-Vergleich ab?

Ai2 hat MolmoWeb auf vier Web-Agent-Benchmarks getestet. WebVoyager prüft allgemeine Web-Navigation. Online-Mind2Web testet mehrstufige Aufgaben. DeepShop simuliert Shopping auf Amazon, WebTailBench ist ein Stresstest für Zuverlässigkeit.

Die 8B-Version erreicht 78,2 % auf WebVoyager, 42,3 % auf DeepShop und 49,5 % auf WebTailBench. Damit übertrifft sie laut Ai2 sowohl andere Open-Weight-Modelle wie Fara-7B als auch Agenten, die auf dem proprietären GPT-4o basieren. Die 4B-Version schlägt Fara-7B auf DeepShop sogar mit weniger erlaubten Arbeitsschritten.

GPT-4o ist allerdings nicht mehr das aktuellste Modell von OpenAI. Der Vergleich zeigt, dass kleine Open-Source-Modelle bei spezialisierten Web-Aufgaben mithalten können. Er bedeutet nicht, dass MolmoWeb generell besser ist als proprietäre Systeme. Agenten auf Basis von Claude oder GPT-4.5 wurden nicht verglichen.

Mit Test-Time Scaling steigt die Leistung erheblich. Dabei laufen mehrere parallele Durchläufe, das beste Ergebnis wird ausgewählt. Die 8B-Version erreicht so 94,7 % auf WebVoyager bei vier parallelen Versuchen.

Was steckt im Trainingsdatensatz MolmoWebMix?

Neben dem Modell veröffentlicht Ai2 auch MolmoWebMix, einen umfangreichen Trainingsdatensatz. Er besteht aus drei Komponenten. 36.000 menschliche Aufgabenabläufe mit über 623.000 Einzelaktionen auf mehr als 1.100 Webseiten. Dazu synthetische Aufgabenabläufe von automatisierten Agenten. Außerdem über 2,2 Millionen Frage-Antwort-Paare zur Screenshot-Interpretation. Das ist laut Ai2 der größte öffentlich verfügbare Datensatz für das Web-Agent-Training.

Für Entwickler ist das relevant. Die offenen Trainingsdaten ermöglichen es, eigene Modelle für spezifische Anwendungsfälle zu trainieren.

Wo stößt MolmoWeb an seine Grenzen?

Ai2 benennt im Blogpost mehrere Limitierungen. Als rein visuelles Modell kann MolmoWeb Fehler beim Lesen von Screenshots machen. Zu frühes Scrollen, bevor eine Seite geladen hat, führt zu verpassten Inhalten. Bei mehrdeutigen Anweisungen oder vielen Einschränkungen sinkt die Leistung. Drag-and-Drop und das Scrollen innerhalb bestimmter Seitenelemente bleiben schwierig.

MolmoWeb wurde nicht für sensible Aufgaben trainiert. Logins, Finanztransaktionen und der Umgang mit persönlichen Daten sind ausdrücklich ausgeschlossen. Die gehostete Demo beschränkt sich auf eine Whitelist von Websites und blockiert Eingaben in Passwort- und Kreditkartenfelder.

Was bedeutet der Führungswechsel bei Ai2?

Die Veröffentlichung fällt in eine Phase des Wandels bei Ai2. CEO Ali Farhadi ist Mitte März 2026 zurückgetreten. Er und mehrere Schlüsselforscher sind zum Superintelligence-Team von Microsoft unter Mustafa Suleyman gewechselt. Darunter auch Hanna Hajishirzi, die das OLMo-Projekt mitleitet. Peter Clark führt das Institut vorübergehend. Die Forschungsarbeit von Ai2 ist laut dem Vorstand für 2026 vollständig finanziert.

Wo steht Open Source bei Browser-Agenten?

Browser-Agenten sind eines der aktivsten Felder in der KI-Entwicklung. Anthropic bietet mit Computer Use eine proprietäre Lösung, die ebenfalls Screenshot-basiert arbeitet. OpenClaw hat mit Version 2026.3.13 Chrome-Zugriff bekommen. Manus hat einen eigenen Desktop-Agenten vorgestellt. MolmoWeb zeigt, dass Open-Source-Modelle mit wenigen Milliarden Parametern bei spezialisierten Web-Aufgaben konkurrenzfähig sein können. Die Veröffentlichung aller Trainingsdaten, Werkzeuge und Modellgewichte macht das Projekt für die Forschung besonders wertvoll.