Proxy Lite – 开源视觉语言模型，支持自动化网页任务-爱论文

Proxy Lite是什么

Proxy Lite 是开源的轻量级视觉语言模型（VLM），参数量为3B，支持自动化网页任务。Proxy Lite 能像人类一样操作浏览器，完成网页交互、数据抓取、表单填写等重复性工作，显著降低自动化成本。Proxy Lite用“观察-思考-工具调用”的三步决策机制，具备强大的泛化能力和低资源占用，支持在消费级GPU上高效运行。Proxy Lite 提供完整的浏览器交互框架，支持网页自动化测试、数据提取、智能任务助手等多种应用场景，适合开发者快速部署和使用。

Proxy Lite的主要功能

网页自动化操作：自动完成浏览器中的各种操作，如点击按钮、填写表单、滚动页面、处理弹窗等。网页数据抓取：解析网页内容，提取结构化数据，支持新闻、社交媒体、电商平台等多类型网页的数据抓取。AI驱动的交互式Web代理：结合视觉感知能力，实现UI自动化测试和前端行为分析。智能任务助手：帮助用户搜索、筛选和总结信息，提升网页导航体验。低资源占用：仅3B参数，支持在消费级GPU上高效运行，无需依赖大型云计算资源。

Proxy Lite的技术原理

视觉语言模型（VLM）：结合视觉感知（图像识别）和自然语言处理能力，理解和操作网页内容。三步决策机制：观察：评估上一操作是否成功，并获取当前网页的状态信息。思考：根据当前页面状态进行推理，决定下一步操作。工具调用：基于浏览器API进行交互，如点击、输入、滚动等。浏览器交互框架：内置完整的浏览器交互控制框架，用Playwright库驱动浏览器操作，支持无头模式（Headless）和隐身模式（Stealth）以降低被反爬风险。执行反馈机制：借鉴DeepSeek R1等模型的反馈机制，在任务执行中不断优化决策流程，提升执行准确性。

Proxy Lite的项目地址

GitHub仓库：https://github.com/convergence-ai/proxy-lite

Proxy Lite的应用场景

网页自动化操作：自动完成点击、填写表单、滚动页面等任务，减少人工操作。网页数据抓取：提取新闻、电商等网页的结构化数据，用在数据分析或内容聚合。自动化测试：实现Web应用的UI自动化测试，快速检测界面功能。智能任务助手：帮助用户搜索、筛选信息，提升网页使用效率。企业级任务自动化：企业内部流程自动化，如数据录入和跨系统发布信息。