让 AI 改网页，难点不只是把页面做得好看。按钮可能点不动，表单可能无法提交；修好一处，还可能弄坏原本正常的功能。如果仍让同一个模型看截图、提修改、再给自己打分，它很容易把“看起来对”当成“真的能用”。WebWorld 的做法，是把真实浏览器变成外部裁判。
具体来说，VLM——能同时理解图片和文字的视觉语言模型——先根据截图和运行记录提出问题。系统再把建议写成可检查的“交互合约”：要完成什么操作、浏览器如何点击验证，以及哪些已有功能必须保留。候选代码只有在浏览器重新执行后既取得目标进展，又没有破坏此前验证过的能力，才会获得“验收证书”，进入下一轮和训练数据。
最能说明作用的是对照实验：论文作者称，在同为 9B 参数规模的设置下，去掉浏览器证书后，HTMLBench 相对原始模型只提高 0.4 分；完整 WebWorld 的提升超过其十倍。换句话说，关键不只是让 AI 多反思几轮，而是让网页用真实运行结果回答：这次修改到底有没有用。