ГУИ-ДЖЕПА: потенциальные джиповские латенты в качестве политики быстрого действия для мобильных агентов по борьбе с терроризмом

Компьютерные науки > Искусственное Разведка [представлено 27 октября 2026 года] Название: GUI-JEPA: Peble-Conditioned JEPO Latents как политика быстрого действия для мобильных агентов GuI View PDF HTML (экспериментальное) резюме: Mobile GUi обычно являются усовершенствованными 7B-диапазонными моделями языка зрения, которые генерируют каждое действие в виде текста. Однако, эти VLM расшифровывают каждый символ действия символически и даже агенты, которые оценивают потенциальные действия, сохраняют большую языковую модель или VLD в цикле, что делает их медленными и голодными. Для решения этих вопросов мы предлагаем ГУИ-ДЖЕПА, насколько нам известно, разработать первую политику в отношении агентов ГВИ без декодера на основе совместной архитектуры прогнозирования (СЭА), которая отбирает действия в скрытом пространстве джиООС, предварительно обученных немаркированным скриптам ГВИ. Его скрытый прогнозор, обусловленный действием и регионом, превращает экран в один латентный снимок на каждого кандидата, позволяя легковесным головам освежить всех кандидатов от инструкции одним пакетом пропусков без декодирования символа. Мы далее показываем, что таймер опирается на этот латентный путь и что предсказатель обучен самому решению: случайно инициализированный прогнозор делает так же хорошо как и тот, который предварительно подготовлен к скриншотной динамике. На Android Control, GUI-JEPA 2,8-4.0x быстрее на одном и том же ГИП, чем Qwen2,5-VL-7B, мы топчемся с теми же данными, достигая…