Towards GUI Agents: Vision-Language Diffusion Models for GUI Grounding
Arizona State University(亚利桑那州立大学);AWS Agentic AI
本文探讨了离散扩散视觉-语言模型在GUI定位中的应用,通过混合掩码策略提升定位精度,并在多个数据集上验证了其有效性。
2026-03-27 cs.AI cs.CV
MEGA-GUI: Multi-stage Enhanced Grounding Agents for GUI Elements
Samsung SDS(三星SDS)
针对现有GUI定位方法缺乏模块化、复杂场景表现差的问题,提出多阶段框架MEGA-GUI,通过分阶段定位、双向ROI缩放和语义改写模块,在两个基准上取得超越已有方法的准确率。
2025-11-17 cs.AI cs.CV
Trifuse: Enhancing Attention-Based GUI Grounding via Multimodal Fusion
College of Computer Science and Technology, National University of Defense Technology(计算机科学与技术学院,国防科技大学);Intelligent Game and Decision Lab, Academy of Military Sciences(智能游戏与决策实验室,军事科学院)
Trifuse通过多模态融合提升GUI定位性能,整合注意力、OCR文本和图标描述语义,无需任务微调即可实现高效定位。
2026-02-06 cs.AI cs.CV
Learn where to Click from Yourself: On-Policy Self-Distillation for GUI Grounding
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);VCIP & TMCC & DISSec, College of Computer Science, Nankai University(南开大学计算机学院);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院)
本文提出GUI-SD框架,通过视觉增强上下文和熵引导蒸馏提升GUI定位性能,实验显示其在准确性和训练效率上优于现有方法。
2026-05-10 cs.AI cs.CV
Beyond Clicking:A Step Towards Generalist GUI Grounding via Text Dragging
The Ohio State University(俄亥俄州立大学);Microsoft Research, Redmond(微软研究院(红mond))
本文提出GUI-Drag数据集和ScreenDrag基准,通过文本拖动提升GUI定位能力,实现更通用的GUI交互模型。
2025-11-07 cs.AI cs.HC
GUI-Eyes: Tool-Augmented Perception for Visual Grounding in GUI Agents
GUI-Eyes通过分阶段策略推理和细粒度奖励反馈实现工具感知主动感知,显著提升GUI代理的接地准确率。
2026-01-14 cs.AI
GUI-Perturbed: Domain Randomization Reveals Systematic Brittleness in GUI Grounding Models
Fig 2 Manifold Research(图2曼尼福德研究)
GUI接地模型在标准基准上准确率超过85%,但在需要空间推理而非直接元素命名时下降27-56个百分点。GUI-Perturbed框架通过独立变化视觉场景和指令来评估接地鲁棒性,发现关系指令导致所有模型准确性崩溃,70%浏览器缩放显著降级,且增强数据训练反而降低性能。
2026-07-02 cs.AI cs.LG
Navigating the Digital World as Humans Do: Universal Visual Grounding for GUI Agents
The Ohio State University(俄亥俄州立大学);Orby AI(Orby人工智能)
针对现有GUI智能体依赖文本表示存在噪声、开销高的问题,研究提出类人视觉感知方案,构建大规模数据集训练UGround通用视觉定位模型,实验证明其性能显著优于现有模型及最优智能体,验证了纯视觉GUI智能体的可行性。
2025-06-17 cs.AI cs.CL cs.CV
Aria-UI: Visual Grounding for GUI Instructions
本文提出Aria-UI,一种纯视觉的大型多模态模型,用于GUI指令定位,通过可扩展数据管道和上下文感知推理,在离线和在线基准上取得最先进结果。
2025-07-08 cs.AI cs.HC
Co-EPG: A Framework for Co-Evolution of Planning and Grounding in Autonomous GUI Agents
针对现有GUI智能体跨模型协同不足、合成数据利用不充分的问题,提出Co-EPG自迭代协同进化框架,通过规划与接地模型的正反馈循环实现能力自增强,在基准测试上仅三次迭代就超越现有最优方法。
2025-11-13 cs.AI cs.CL
GUI-Bee: Align GUI Action Grounding to Novel Environments via Autonomous Exploration
University of California Santa Cruz(加州大学圣克鲁兹分校);Adobe Research(奥多比研究院)
提出基于MLLM的自主智能体GUI-Bee,通过Q-ICRL方法探索收集高质量环境数据并微调模型,结合NovelScreenSpot基准,有效提升了GUI动作定位在新环境中的性能。
2025-01-27 cs.AI cs.CL cs.CV
GUI-Lens: Enabling Precise GUI Grounding for Off-the-Shelf VLMs via Coarse-to-Fine Cropping
GUI-Lens是面向通用VLM的GUI定位粗到精裁剪框架,通过主动视觉观察逐步聚焦确定目标,在四个基准和三个VLM后端上使定位准确率最高提升24.9个百分点,在GPT-5.5上达SOTA性能。
2026-11-02 cs.AI cs.CV
\textsc{GUI-Spotlight}: Adaptive Iterative Focus Refinement for Enhanced GUI Visual Grounding
University of Minnesota(明尼苏达大学);Cisco Research(思科研究);Lawrence Livermore National Labs(劳伦斯利弗莫尔国家实验室)
针对GUI系统视觉定位可靠性不足、难以执行精准指针操作的问题,本研究提出GUI-Spotlight模型,通过动态调用专用工具迭代缩小屏幕关注区域,仅用少量训练样本就在ScreenSpot-Pro基准上超越了使用更大训练集的同类模型。
2025-10-05 cs.AI cs.CV
GUI-AIMA: Aligning Intrinsic Multimodal Attention with a Context Anchor for GUI Grounding
University at Buffalo(布法罗大学);Adobe Research(Adobe研究院)
GUI-AIMA通过多模态注意力对齐与上下文锚点,实现高效的GUI定位,无需坐标生成,提升数据效率和性能。
2026-07-01 cs.AI cs.CL cs.CV
VISTA: View-Consistent Self-Verified Training for GUI Grounding
Zhejiang University(浙江大学);Venus Team, Ant Group(蚂蚁集团金星团队)
提出VISTA框架,通过多视图分组和自验证锚点改进GRPO训练,在GUI定位任务中显著提升准确率。
2026-06-15 cs.AI
Smoothing Grounding and Reasoning for MLLM-Powered GUI Agents with Query-Oriented Pivot Tasks
School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University(上海交通大学电子信息与电气工程学院)
提出query inference方法作为GUI定位与推理间的桥梁,通过推断用户查询解决格式差异,在极小数据规模下超越现有grounding技术并提升推理性能。
2025-03-04 cs.AI cs.CL cs.CV
GUI-ARP: Enhancing Grounding with Adaptive Region Perception for GUI Agents
Wuhan University(武汉大学);Sun Yat-sen University(中山大学);Alibaba Group(阿里巴巴集团);East China Normal University(华东师范大学);University of Electronic Science and Technology of China(电子科技大学)
本文提出GUI-ARP框架,通过自适应区域感知与阶段控制实现动态多阶段推理,并结合GRPO强化微调,在GUI定位基准上以7B规模超越更大模型,取得最先进性能。
2025-09-19 cs.AI cs.CV
Where, How, and When: Query-Guided Grounding for Video Understanding
Indian Institute of Technology Jodhpur(印度理工学院焦特布尔分校)
本论文针对视频理解的空间、关系、时间维度,提出QDETRv、TOViT、关系定位模型、MATR等查询引导方法,完成三类查询引导grounding任务,提升了视频理解性能。
2026-10-16 cs.AI cs.CV
Trust the Right Teacher: Quality-Aware Self-Distillation for GUI Grounding
University of Georgia(佐治亚大学);INFLY Tech;Tencent AI Lab(腾讯AI实验室);The Hong Kong Polytechnic University(香港理工大学)
提出质量感知自蒸馏方法,通过软正确性感知门控和教师概率缩放改善坐标令牌教师信号质量,提升VLM在GUI定位任务中的性能。
2026-10-26 cs.AI
Zoom in, Click out: Unlocking and Evaluating the Potential of Zooming for GUI Grounding
Xi’an Jiaotong University(西安交通大学);Princeton University(普林斯顿大学);Peking University(北京大学);University of Chinese Academy of Sciences(中国科学院大学);The University of Hong Kong(香港大学);Michigan State University(密歇根州立大学)
本文提出ZoomClick方法,通过引入缩放先验知识提升GUI定位性能,实现动态空间聚焦与自适应上下文切换,并在多个基准上取得最佳结果。
2025-12-05 cs.AI cs.CL cs.CV
UI-AGILE: Advancing GUI Agents with Effective Reinforcement Learning and Precise Inference-Time Grounding
Sino-Russian Research Center for Digital Economy(中俄数字经济研究中心)
UI-AGILE通过改进监督微调过程和推理中的分解接地,提升了GUI代理的接地性能和通用能力,在ScreenSpot-Pro和ScreenSpot-v2基准上实现了最佳表现,地面准确率提升23%。
2026-04-08 cs.AI cs.CL cs.CV
Lexical Coupling in GUI Element Grounding: Sentence Embeddings Track Labels across Mobile and Web
University of Helsinki(赫尔辛基大学)
该研究针对GUI定位评估中嵌入相似度与语义定位的混淆问题,对比编码器与词汇基线,提出需报告词汇基线等诊断指标以区分标签恢复与语义定位。
2026-08-25 cs.AI cs.CL cs.HC
Chain-of-Ground: Improving GUI Grounding via Iterative Reasoning and Reference Feedback
University College London(伦敦大学学院);Chico Future AI Lab(芝加哥未来人工智能实验室);The University of Hong Kong(香港大学);Princeton University(普林斯顿大学)
Chain-of-Ground通过迭代推理和参考反馈提升GUI定位,实现68.4的准确率,并在现实世界界面中表现优异。
2025-12-01 cs.AI cs.CL cs.CV
VisualTrap: A Stealthy Backdoor Attack on GUI Agents via Visual Grounding Manipulation
University of Science and Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学);East China University of Science and Technology(东华大学)
针对GUI智能体的视觉定位漏洞,提出VisualTrap后门攻击方法,通过少量中毒数据隐蔽劫持定位,且攻击可泛化至下游任务和不同环境。
2025-09-24 cs.AI cs.CL
GuirlVG: Incentivize GUI Visual Grounding via Empirical Exploration on Reinforcement Learning
University of Illinois Chicago(伊利诺伊大学芝加哥分校);University of Minnesota(明尼苏达大学);Cisco Research(思科研究)
针对GUI视觉定位中SFT成本高的问题,提出基于强化学习的GuirlVG方法,通过分解RFT、引入对抗性KL因子和优化训练配置,仅用5.2K样本超越千万级SFT,显著提升定位性能。
2025-08-06 cs.AI
Test-Time Self-Evolving GUI Visual Grounding via Reflection-Guided On-Policy Self-Distillation
针对现有GUI视觉定位模型部署后难适配未见界面且无法反思失败探索的问题,提出测试时自演进框架,结合MLLM反思器、反思引导的在线策略自蒸馏等方法,在六个基准上平均提升7.4%准确率,完善了GUI智能体自演进能力。
2026-08-12 cs.AI cs.CL cs.CV
Enhancing Visual Grounding for GUI Agents via Self-Evolutionary Reinforcement Learning
VCIP, School of Computer Science, NKU(VCIP,计算机科学学院,NKU)
提出基于强化学习的自进化框架,仅用3k样本和7B参数,在三个GUI定位基准上取得最优结果,ScreenSpot-Pro准确率47.3%,超越UI-TARS-72B达24.2%。
2025-05-24 cs.AI
V-Zen: Efficient GUI Understanding and Precise Grounding With A Novel Multimodal LLM
SuperAGI Research(SuperAGI研究机构)
V-Zen是一种新型多模态大语言模型,通过双分辨率图像编码器实现高效GUI理解与精准定位,结合GUIDE数据集微调,提升下一步动作预测,为自主计算系统奠定基础。
2024-07-21 cs.AI cs.CV
BAMI: Training-Free Bias Mitigation in GUI Grounding
Tsinghua University, China(清华大学,中国);Lenovo Research, China(联想研究院,中国)
本文提出BAMI方法,通过粗到细聚焦和候选选择缓解GUI定位中的精度偏差和歧义偏差,提升模型在无训练设置下的准确性。
2026-05-07 cs.AI cs.CV
GUI-Actor: Coordinate-Free Visual Grounding for GUI Agents
Microsoft(微软公司);Nanjing University(南京大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
GUI-Actor 提出免坐标的 GUI 视觉定位方法,通过注意力动作头对齐 <ACTOR> token 与视觉块 token 并配合验证器选择动作区域,仅微调约 1 亿参数即可超越 UI-TARS-72B 等现有方法。
2025-06-03 cs.AI cs.CL cs.CV
Test-Time Reinforcement Learning for GUI Grounding via Region Consistency
针对GUI定位受限于像素级标注成本的问题,提出GUI-RC(测试时区域一致性方法)和GUI-RCPO(测试时强化学习方法),利用多预测空间重叠的隐式置信信号优化定位,无需训练或仅用少量未标注数据即可提升各架构准确率。
2025-11-13 cs.AI cs.CL cs.CV
Think Twice, Click Once: Enhancing GUI Grounding via Fast and Slow Systems
Zhejiang University(浙江大学);Microsoft Research Asia(微软亚洲研究院)
本文提出Focus框架,受人类双系统认知启发,通过基于任务复杂度的自适应切换将快速预测与系统分析相结合,将GUI定位分解为界面摘要、视觉聚焦分析和坐标预测三个阶段,仅用300K数据和2B参数模型即在ScreenSpot等基准上达到最先进性能。
2025-03-09 cs.AI cs.CL cs.CV
ScaleTrack: Scaling and back-tracking Automated GUI Agents
Meituan(美团);Zhejiang University(浙江大学);University of Adelaide(阿德莱德大学)
针对 GUI 智能体训练中 grounding 数据不足及 planning 忽视历史回溯的问题,提出 ScaleTrack 框架,通过统一多源数据扩展 grounding 训练,并设计预测当前动作同时回溯历史动作的新策略,有效建模 GUI 图像与动作的演变关系。
2025-05-01 cs.AI
GUI-G1: Understanding R1-Zero-Like Training for Visual Grounding in GUI Agents
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学 Gallagher人工智能学院);Huawei Noah’s Ark Lab(华为诺亚实验室)
本文提出GUI-G1,通过分析R1-Zero类训练在GUI定位中的三大挑战,采用快速思考模板、框大小约束和难度感知缩放因子,在ScreenSpot上达到90.3%准确率,超越同规模及更大模型。
2025-05-22 cs.AI cs.CL cs.CV
GUI-G$^2$: Gaussian Reward Modeling for GUI Grounding
Zhejiang University(浙江大学);Ant Group(蚂蚁集团)
针对 GUI 定位中二值奖励稀疏的问题,本文提出 GUI-G$^2$ 高斯连续奖励框架,结合点奖励、覆盖奖励和自适应方差,显著提升跨基准定位性能与泛化性。
2025-07-28 cs.AI cs.CL cs.CV
GroundGUI: GUI Grounding by High-Quality Data and Distillation-to-Reinforcement Learning
Prentis AI(普伦蒂斯人工智能);Westlake University(西湖大学)
本研究针对GUI定位高保真资源稀缺问题,构建ScreenRef数据集,提出D2RL方法,训练出GroundGUI-8B,在多个基准上性能优于开源数据集训练的8B模型,接近闭源模型。
2026-10-15 cs.AI cs.CL cs.CV
V2P: Visual Attention Calibration for GUI Grounding via Background Suppression and Center Peaking
V2P通过背景抑制和中心峰值校准提升GUI元素定位精度,解决注意力漂移和中心边缘区分问题,实现高精度GUI接地任务。
2026-01-20 cs.AI
UI-Ins: Enhancing GUI Grounding with Multi-Perspective Instruction-as-Reasoning
Renmin University of China(中国人民大学);Tongyi Lab, Alibaba Group(阿里云实验室)
针对GUI接地中指令质量与多样性被忽视的问题,提出指令即推理范式及SFT+RL两阶段训练框架,构建UI-Ins模型,在五个基准上达到最先进性能,并展现智能体潜力。
2025-10-23 cs.AI cs.CV
ZonUI-3B: A Lightweight Vision-Language Model for Cross-Resolution GUI Grounding
DeepCAT Lab, National Yang Ming Chiao Tung University(深猫实验室,国家阳明交通大学)
ZonUI-3B是一个可在单张RTX 4090上训练的轻量级视觉语言模型,通过24K跨平台多分辨率数据集和两阶段微调策略,在ScreenSpot等GUI定位基准上以84.9%和86.4%的准确率超越4B以下模型。
2025-07-18 cs.AI cs.CV
Improving GUI Grounding with Explicit Position-to-Coordinate Mapping
ServiceNow;Mila - Quebec AI Institute(魁北克人工智能研究所);Université de Montréal(蒙特利尔大学);York University(约克大学);Polytechnique Montréal(蒙特利尔理工学院);McGill University(麦吉尔大学)
针对 VLM 在未知高分辨率 GUI 中坐标映射失效的问题,提出 RULER 显式坐标标记与 I-MRoPE 等宽高空间编码,在多个 ScreenSpot 基准上持续提升定位准确率。
2025-10-03 cs.AI cs.CV
InfiGUI-G1: Advancing GUI Grounding with Adaptive Exploration Policy Optimization
Amazon(亚马逊)
InfiGUI-G1通过自适应探索策略优化改进GUI接地,实现显著的语义对齐和性能提升。
2025-12-08 cs.AI cs.CL
V2P: Visual Attention Calibration for GUI Grounding via Background Suppression and Center Peaking
V2P通过背景抑制和中心峰值校准方法提升GUI元素定位精度,实现更精确的GUI交互。
2026-01-16 cs.AI
Phi-Ground Tech Report: Advancing Perception in GUI Grounding
Microsoft(微软)
针对当前GUI定位模型准确率不足、难以落地的问题,本研究通过实证探究模型训练全流程细节,推出Phi-Ground模型系列,在多项基准测试中取得10B参数以下模型的最优性能,为相关感知任务提供参考。
2025-07-31 cs.AI cs.CV cs.MM
Visual Test-time Scaling for GUI Agent Grounding
University of Michigan(密歇根大学);LG AI Research(LG人工智能研究)
提出视觉测试时扩展方法RegionFocus,通过动态放大相关区域和图像即地图机制提升GUI智能体定位准确率,在多个基准上取得显著性能提升。
2025-07-14 cs.AI cs.CV cs.LG
Measure Twice, Click Once: Co-evolving Proposer and Visual Critic via Reinforcement Learning for GUI Grounding
Zhejiang University(浙江大学);Tencent AI Lab(腾讯AI实验室);The University of Hong Kong(香港大学)
本文提出通过强化学习共进化提议者和视觉评论者,以提升GUI定位的准确性和鲁棒性,通过动态平衡训练目标,增强模型在复杂界面布局中的泛化能力。
2026-04-23 cs.AI cs.CV cs.LG
Learning Active Perception via Self-Evolving Preference Optimization for GUI Grounding
Wanfu Wang, Qipeng Huang, Guangquan Xue, Xiaobo Liang, Juntao Li(作者)
针对VLM在GUI定位中难以有效推理图像区域的问题,提出自进化框架LASER,结合蒙特卡洛估计与IoU评估构建偏好数据,实现精准坐标预测,在7B规模模型中创下ScreenSpot-Pro基准新纪录。
2025-09-04 cs.AI cs.CV
WinDOM: Self-Family Distillation for Small-Model GUI Grounding
\'Ecole Polytechnique F\'ed\'erale de Lausanne (EPFL), Lausanne, Switzerland
提出WinDOM数据集和自家族蒸馏方法,通过DOM直接获取边界框数据,结合强化学习提升小模型GUI定位性能,在Qwen3.5-2B上取得显著提升。
2026-06-25 cs.AI cs.LG
MissClick: Execution-Aware Adversarial Attacks on Coordinate Generation in GUI Grounding Models
本研究提出MissClick攻击方法,针对GUI定位模型设计两种目标的白盒对抗攻击,在OS-Atlas和UGround数据集上大幅提升无目标与有目标攻击成功率。
2026-09-29 cs.AI
SCA: Spatial Credit Assignment for Reinforcement Learning of GUI Agents
Southeast University(东南大学);Kuaishou Technology(快手科技)
针对GUI代理强化学习中失败点击缺乏相对信号的问题,提出利用点击坐标的空间信用分配(SCA),通过预测残差或距离排序细化信用,提升接地与动作预测性能。
2026-09-30 cs.AI
UI-Zoomer: Uncertainty-Driven Adaptive Zoom-In for GUI Grounding
Zhejiang University(浙江大学)
本文提出UI-Zoomer框架,通过将缩放触发和尺度作为不确定性量化问题,改进GUI定位中的小图标和密集布局识别。实验表明,该方法在多个模型架构上均优于现有基线,提升幅度达13.4%至4.2%。
2026-04-15 cs.AI cs.CL cs.CV
SparkUI-Parser: Enhancing GUI Perception with Robust Grounding and Parsing
针对现有GUI感知MLLM定位精度低、推理慢且无法全界面解析的问题,提出SparkUI-Parser框架,通过坐标连续建模、改进匈牙利匹配拒绝机制提升性能,还构建了ScreenParse基准,实验显示其在多个基准上优于SOTA方法。
2025-09-05 cs.AI cs.CL cs.CV
Avenir-UX: Automated UX Evaluation via Simulated Human Web Interaction with GUI Grounding
University College London(伦敦大学学院)
Avenir-UX通过模拟人类交互行为,提供标准化的可用性评估,结合GUI接地技术,提升用户体验评估的效率和准确性,支持持续、可扩展的数据驱动测试。
2026-04-14 cs.AI cs.CY cs.HC
TRISHUL: Towards Region Identification and Screen Hierarchy Understanding for Large VLM based GUI Agents
Fractal AI Research(分形人工智能研究院)
本文提出无需训练的TRISHUL框架,通过HSP与SEED融合动作定位和GUI指称,增强通用LVLM的整体GUI理解,并在多个基准上取得领先性能。
2025-02-14 cs.AI cs.CV cs.LG