이 논문은 실서비스에서 강력한 상용 모델 대신 경량 로컬 모델을 배포한 뒤 더 강한 교사 모델의 온라인 지도로 지속 학습시키는 웹 에이전트 시나리오에서, 기존 궤적 단위 선호 최적화가 해결 불가능한 에피소드나 중복된 실행 턴에 예산을 낭비한다는 문제를 지적한다. 이를 해결하기 위해 언제 교사에게 질의할지 결정하는 해결가능성 인지 게이트와 어떤 정보성 있는 턴을 남길지 결정하는 점수 기반 턴 선택 메커니즘을 결합한 예산 인지형 프레임워크를 제안한다. MiniWoB와 TimeWarp 실험에서 이 방법은 첫 시도 성공률을 유지하면서도 교사 호출을 평균 22.6%, 학생 학습 연산량을 52.1% 줄였다.

• •웹 에이전트의 온라인 교사-학생 학습에서 '언제·무엇을' 가르칠지 최적화하는 프레임워크 제안
• •해결가능성 인지 게이트 + 점수 기반 턴 선택으로 예산 냭비 요소 제거
• •MiniWoB·TimeWarp 실험에서 성공률 유지하며 교사 호출 22.6%, 학습 연산량 52.1% 절감
• •코드 공개(GitHub)로 재현 가능