Multimodal-Mind2Web

Multimodal-Mind2Web是Mind2Web数据集的多模态版本，专为开发和评估能够遵循语言指令在任何网站上完成复杂任务的通用网络代理而设计。在该数据集中，每个HTML文档都与其对应的网页截图图像对齐，解决了从约300GB的Mind2Web原始数据中加载图像的不便。