深度分析
Guide：利用即時影片檢索與自動標註解決 GUI 代理人領域偏差
隨著大型視覺語言模型推動 GUI 代理人能力，缺乏特定軟體操作經驗導致領域偏差。Guide 透過即時影片檢索與自動標註，補足規劃與定位知識，於 OSWorld 測試提升 4.5%~7.5% 成效，顯示影片資源可成為彈性校正工具，此方法免除模型微調與人工標註成本，亦為開放源社群提供快速適配新軟體的路徑。
GUI 代理人
速報
Xiaomi‑GUI‑0：原生多模態 GUI 代理人實機驗證突破執行穩定性
現有 GUI 代理人多在離線或模擬環境訓練，與真實手機使用差距大。研究推出 Xiaomi‑GUI‑0，採原生實機閉環混合架構，結合高頻任務、長尾意圖與錯誤驅動資料飛輪，提升真實環境執行穩定性。測試顯示在 RealMobile 上成功率達 72.0%，顯著改善異常狀態辨識。
深度分析
GUI vs CLI 代理人效能比較：執行成功率與瓶頸分析
本研究建立了 440 項跨 18 個應用程式、12 種工作流程的執行層基準，讓螢幕僅能操作的 GUI 代理人與以技能為基礎的 CLI 代理人在相同目標、初始狀態與最終驗證下比較。結果發現，最佳 GUI 代理人（GPT‑5.4）達到 59.1% 完全通過率，優於原始技能層的最佳 CLI 代理人（Codex GPT‑5.5）的 48.2%；
深度分析
SGCD：針對 GUI 代理人 off‑trajectory 狀態的持續蒸餾技術分析
研究針對 GUI 代理人在執行閉環任務時的 off‑trajectory 監督缺口，提出 Skill‑Guided Continuation Distillation (SGCD) 以技能引導產生成功延續，實驗顯示在 OSWorld‑Verified 上成功率由 30% 提升至逾 50%。
速報
StainFlow：全新實體染色流獎勵模型提升 GUI 代理人強化學習效能
在長時間、具隨機性的圖形使用者介面（GUI）環境中，傳統的強化學習因為成功回饋過於稀疏，難以為中間的探索步驟分配信用。為解決此問題，研究者提出 StainFlow，一種以實體染色流為基礎的獎勵模型。StainFlow 透過全域實體染色追蹤，客觀分割任務階段；
深度分析
STaR‑KV：時空自適應 KV 快取壓縮提升 GUI 代理人效能與記憶體利用率
圖形使用者介面（GUI）代理人因KV快取隨交互步驟線性增長而受限，STaR‑KV提出時空自適應重新加權，透過子空間互資訊、時間穩定折扣與熵導溫度三軸校準，於四項基準測試中在相同記憶體預算下提升準確度並減少近40%峰值GPU記憶體效能使用。
深度分析
EchoTrail-GUI：評論者驅動的記憶注入提升 GUI 代理人效能
當前 GUI 代理人缺乏跨任務學習，EchoTrail-GUI 以自動化經驗探索建立成功軌跡資料庫，並在新任務時檢索相關記憶作為上下文提示，實驗顯示在 Android 基準上成功率與效率均有顯著提升，突顯記憶結構化的效益。