本地运行9B决策模型驱动网页浏览：Clef-Flash实测解析

用9B小模型跑通浏览器自动化

一位开发者在Reddit上分享了一个颇具实验性的项目：仅凭一个名为 Clef-Flash 9B 的决策模型，在本地运行的情况下，实现了自动化网页浏览。这个思路的特别之处在于，它并没有依赖庞大的云端大模型，而是把一个轻量级模型放在设备本地，专门负责"该点哪里、该做什么"的决策环节。

对于关注边缘计算和本地化AI的人来说，这个案例值得细看——它尝试回答一个现实问题：在不接入超大参数模型的前提下，一个9B级别的小模型能把Agent式网页操作做到什么程度。

决策模型 + 实时文本提取的分工设计

项目的核心架构体现了一种明确的分工思路。作者指出，这个决策模型本身无法自主生成文本，因此系统被设计成在运行时从网页中抽取并处理文本，用来支撑模型的决策判断。

换句话说，9B模型扮演的是"大脑"中负责判断的部分，而不是负责内容创作的部分。网页上的文字、按钮、链接等信息被实时提取出来，喂给模型，模型据此决定下一步动作。这种设计把模型的职责收窄到决策层面，从而让一个相对小的模型也能胜任任务，不必背负生成长文本的负担。

这也是小模型落地的一个典型策略：与其追求一个无所不能的巨型模型，不如把复杂任务拆解成明确的子环节，让每个环节用最合适的组件去完成。

这种将"感知"与"决策"分离的设计，在AI Agent领域有一个更正式的叫法：工具调用（Tool Use）或感知-行动循环（Perception-Action Loop）。传统的大模型Agent通常需要一个参数量在70B以上的模型同时承担理解网页内容、规划步骤、生成指令等多项职责，计算资源消耗巨大。而Clef-Flash 9B采用的策略是"专一化"——模型只做动作决策（点击哪里、填什么表单），不做内容生成，这类任务对模型的推理能力要求相对有限，9B的参数量足以覆盖。

实时文本提取通常通过解析页面的DOM（文档对象模型）树来实现，将按钮文本、链接锚文本、表单标签等结构化信息整理成模型可读的格式。这种方式的优势是轻量且隐私友好，无需截图或视觉模型；劣势则正如文章后续提到的，纯文本无法捕捉视觉状态信息。

三项实测任务与耗时表现

演示视频展示了三个具体任务，并给出了各自的完成耗时：

1. 查询 Tibo 的使用额度何时重置 —— 17秒
2. 查找适用于 Windows x86_64 的最新稳定版 Godot，并下载标准版（非 .NET 版本） —— 13秒
3. 在 YouTube 上播放一个关于 Jev 模型的视频 —— 11秒

从耗时上看，这三项任务都在十几秒内完成，速度表现相当可观。尤其是第二项任务，它不只是简单检索，还要求区分"标准版"与".NET 版本"这样的细节差异，并执行下载动作，能在13秒内完成说明模型在特定场景下的决策准确度是过关的。

需要说明的是，在本次演示中，这些指令是手动输入的。但作者强调，整个流程完全可以自动化——只要再接入一个LLM来负责下发这些指令，就能形成端到端的全自动闭环。目前的演示相当于验证了"决策执行"这一环，而"指令生成"环节留给了更上层的模型。

简单导航没问题，复杂UI是软肋

作者对结果给出了诚实的评估：系统在导航结构清晰的网站上成功率很高，但在包含复杂UI元素的网站上，成功率会显著下降。

他特别点名了两类难点：开关（toggles） 和 多标签页（multiple tabs）。这两类交互之所以棘手，是因为它们的状态往往不能单纯从页面文本中读出来——一个开关是开是关、当前激活的是哪个标签页，这些信息更多依赖视觉或DOM状态的判断，而纯文本提取的方式容易丢失这类上下文。

这恰好暴露了当前这套"文本提取驱动决策"架构的边界。对于以文字和链接为主的页面，模型能准确理解并操作；但一旦涉及需要理解视觉布局或交互状态的复杂控件，9B模型加文本输入的组合就显得力不从心。

这一局限性在浏览器自动化领域被称为**"视觉基础"问题（Visual Grounding Problem）**。现有的多模态大模型（如GPT-4o、Claude 3）可以通过截图直接理解UI的视觉状态，从而判断开关是否被激活、哪个标签页处于选中状态，但这需要引入图像理解模型，计算成本大幅上升。

另一个解决思路是利用可访问性树（Accessibility Tree），即浏览器为辅助技术（如屏幕阅读器）暴露的结构化UI状态信息，它比纯文本更丰富，包含控件的状态属性（如aria-checked、aria-selected），同时避免了处理原始像素的开销。目前主流的浏览器Agent框架（如Playwright Agent、Browser Use）普遍采用可访问性树与视觉截图相结合的方案来提升复杂UI的处理能力。Clef-Flash当前的文本提取方案若要突破这一瓶颈，引入可访问性树可能是比完整视觉理解更轻量的过渡路径。

这个实验说明了什么

抛开具体数字不谈，这个项目最有价值的地方在于它提供了一个可参考的轻量化Agent思路。它说明在本地、小模型的约束下，通过合理的任务拆解和实时信息提取，确实能跑通一部分浏览器自动化任务。

但它也清楚地划出了能力天花板：复杂交互仍是难关。如果要进一步提升，可能需要引入视觉理解能力，或者改进对页面状态的建模方式，而不只是依赖文本抽取。

对于想做本地化AI Agent的开发者来说，这是一个值得借鉴也值得警惕的样本——轻量化方案在成本和隐私上有优势，但在应对真实世界网页的复杂性时，还有不小的工程空间需要填补。完整演示可在作者分享的YouTube视频中查看。