STAUB 珐宝 1004328 砂锅(30 x 20 cm,3.15 L,砂锅内有哑光黑色...

电脑版下载

51146
7

STAUB 珐宝 1004328 砂锅(30 x 20 cm,3.15 L,砂锅内有哑光黑色...截图Q8X2R7L1T4J5M9B6W3

内容详情

STAUB 珐宝 1004328 砂锅(30 x 20 cm,3.15 L,砂锅内有哑光黑色...

随着多模态大语言模子（MLLM）的飞速生长，能够像人类一样通过视觉输入操作图形用户界面（GUI）的智能体（Agent）正逐渐成为现实。然而，在通往通用盘算机控制的蹊径上，怎样让模子精准地将自然语言指令对应到屏幕上的详细元素 —— 即 GUI Grounding 使命，依然是一浩劫题。

现有的要领，特殊是基于验证奖励的强化学习（RLVR），虽然在提升 “指得准”（空间对齐）方面体现精彩，却往往在 “指得对”（语义对齐）上遭遇瓶颈。模子经常陷入 “自信陷阱”，在重大的语义场景下无法通过有用探索找到准确的功效图标。

针对这一痛点，来自浙江大学、香港理工大学及 InfiX.ai 的研究团队提出了一种全新的自顺应探索战略优化框架（AEPO），并推出了InfiGUI-G1系列模子。该模子通过多谜底天生与自顺应奖励机制，彻底突破了古板 RLVR 的探索瓶颈。仅凭 3B 和 7B 的参数目，InfiGUI-G1 便在多个高难度 GUI 基准测试中刷新了 SOTA，部分指标甚至大幅逾越了闭源模子。

本文将深入先容这项被 AAAI 2026 吸收为 Oral 的事情，解读其怎样通过 “学会探索” 来实现更精准的 GUI 语义明确。

论文问题：InfiGUI-G1: Advancing GUI Grounding with Adaptive Exploration Policy Optimization论文链接：https://arxiv.org/abs/2508.05731代码链接：https://github.com/InfiXAI/InfiGUI-G1

从 “空间对齐” 到 “语义对齐”：被忽视的探索瓶颈

GUI Grounding 使命的焦点是将自然语言指令（如 “翻开相机”）映射到屏幕上的特定元素坐标。研究团队指出，这一使命可以解构为两个正交的维度：

1. 空间对齐（Spatial Alignment）：能否准确地定位到元素（即 “指得准”）。

2. 语义对齐（Semantic Alignment）：能否识别出功效准确的元素（即 “指得对”）。

现有的 RLVR 要领（如 Naive RLVR）虽然能通过优化坐标天生来提升定位精度，但在面临语义模糊或重大的指令时却显得力有未逮。

例如，当指令是 “使用相机搜索物体” 时，屏幕上可能同时保存通俗的 “相机应用” 和具有视觉搜索功效的 “Google Lens”。缺乏深度语义明确的模子往往会自信地死磕 “相机应用” 图标。由于古板 RL 依赖目今战略采样，模子会一直重复这个高置信度的过失，陷入“自信陷阱”（Confidence Trap），从而无法发明真正准确的 “Google Lens” 图标，导致无法获得修正语义误解所需的学习信号。

GUI Grounding 的主要失败模式： (a) 空间对齐失败，(b) 语义对齐失败

InfiGUI-G1：自顺应探索战略优化（AEPO）

为相识决这一探索效率低下的问题，InfiGUI-G1 引入了AEPO（Adaptive Exploration Policy Optimization）框架。与古板的单次回覆天生差别，AEPO 旨在通过更普遍且高效的探索来捕获低概率但准确的选项。

AEPO 框架由三个协同事情的焦点组件组成：

1.多谜底天生气制（Multi-Answer Generation）古板的 RL 要领通常只采样一个行动，一旦模子 “顽强己见” 地选错，梯度的学习信号就会消逝。AEPO 强制模子在一次前向转达中天生 N 个候选坐标点。这一机制迫使模子跳出简单的高置信度展望，去探索战略漫衍长尾中的可能性，从而大幅增添了发明准确谜底（如上述例子中的 Google Lens）的概率。

2.自顺应探索奖励（Adaptive Exploration Reward, AER）仅仅天生多个谜底是不敷的，怎样评价这些谜底的质量至关主要。研究团队基于效率第一性原理（效率 = 效用 / 本钱）设计了 AER 函数。

动态激励：若是模子在靠前的排名（Rank k）就找到了准确谜底，给予高额奖励；若是失败，则给予较小的处分以勉励继续探索。这种非线性的奖励设计在失败时勉励模子 “广撒网”，在乐成时指导模子追求 “快准狠”，实现了探索与使用的动态平衡。

3.共线处分（Collinear Penalty）为了避免模子通过天生近似直线的点来 “作弊”（简朴的线性扫描战略），研究引入了共线处分。若是天生的多个候选点在几何上近似共线，将被视为低质量探索并受到严肃处分。这强制模子在语义空间而非纯粹的几何空间中举行多样化探索。

AEPO 与 Naive 强化学习基准要领的比照

实验效果：小参数目实现性能越级

研究团队在 MMBench-GUI、ScreenSpot-Pro、UI-Vision 等五个极具挑战性的基准上对 InfiGUI-G1（3B 和 7B 版本）举行了周全评估。

1.综合性能周全领先：在 MMBench-GUI 基准测试中，InfiGUI-G1-7B 在 Windows、iOS、Android 等多个平台上的体现均刷新了开源模子的最佳效果。值得注重的是，InfiGUI-G1-7B 在部分指标上甚至优于参数目大得多的 Qwen2.5-VL-72B 和闭源模子 GPT-4o。

2.攻克高难度语义明确使命ScreenSpot-Pro 基准专门区分了文本类（Text）和图标类（Icon）使命。效果显示，InfiGUI-G1 在更依赖语义明确的 “图标” 使命上提升尤为显着。这直接证实晰 AEPO 战略有用解决了语义对齐的瓶颈，让模子真正 “看懂” 了笼统图标背后的功效寄义，而不但仅是举行简朴的文本匹配。

3.让 “不可学习” 变得 “可学习”为了验证 AEPO 是否真的解决了探索难题，研究团队将样本按难度分为简朴、中等和难题。实验发明，InfiGUI-G1 在 “难题” 样本（即基座模子险些无法答对的样本）上的提升最为重大，相对 Naive RLVR 基线提升了凌驾60%。这意味着 AEPO 乐成挖掘出了那些以往因缺乏探索而被模子 “放弃” 的长尾知识。

ScreenSpot-Pro 基准测试的性能比照

总结与展望

InfiGUI-G1 的乐成批注，GUI 智能体的性能瓶颈不但仅在于视觉识别能力，更在于怎样通过有用的强化学习战略来解决语义对齐问题。通过引入自顺应探索机制，InfiGUI-G1 以极高的数据效率和较小的模子规模，实现了逾越大模子的 GUI Grounding 能力。这项事情为未来开发更通用、更智能的 GUI 交相助手提供了坚实的手艺基础。

现在，InfiGUI-G1 的代码、模子权重及相关资源已在 GitHub 开源，接待社区进一步研究与使用。