GUI智能体训练新框架：自适应选择学习位置与回滚范围

论文用可复用中间检查点与自适应回滚范围提升GUI智能体RL效率。

资讯摘要

论文提出一种两阶段自适应训练框架，用于提升多步GUI智能体强化学习效率。作者指出，轨迹级GRPO需反复从任务根节点完整回滚，且任务级奖励对中间决策的监督较粗。该方法先从成功专家轨迹构建可复用中间检查点，用动作分歧度选出信息量高的枢轴点；阶段一在枢轴点做单步RL，阶段二按任务进度逐步扩展Local、Suffix、Root训练范围。作者报告在MobileGym和CUA-Gym-Hub上环境交互减少56-61%，任务表现提升。

要点速读

1. 论文针对轨迹级GRPO反复完整回滚、任务级奖励监督粗糙的问题，提出两阶段自适应训练框架。
2. 方法用动作分歧度从成功专家轨迹中选取信息量高的中间枢轴点，阶段一在枢轴点做单步RL，阶段二按任务进度扩展Local、Suffix、Root训练。
3. 作者报告在MobileGym和CUA-Gym-Hub上，相比Vanilla GRPO环境交互减少56-61%，任务表现提升。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。