本研究探讨了如何利用大型基础模型（LFMs）开发WebAgents，以高效自动化处理网页上的重复性和耗时任务。研究回顾了WebAgents的架构、训练和可信度，强调了LFMs在提升生活便利性方面的潜力，并展望了未来的研究方向。

该研究介绍了一个用户通过图像表达偏好的多模态数据集，并发现大型基础模型在这些任务中的局限性。研究提出了图像链推理的方法，取得了显著改进。代码和数据集已公开发布。