El artículo presenta GUI-Owl-1.5, un modelo nativo de agente GUI que cuenta con variantes instruct y thinking en tamaños que van desde 2B hasta 235B parámetros. Admite múltiples plataformas, incluidos entornos de escritorio, móvil y navegador, para habilitar la colaboración cloud-edge y la interacción en tiempo real.
- Logra resultados state-of-the-art en más de 20 benchmarks de GUI entre modelos open-source, obteniendo 56.5 en OSWorld, 71.6 en AndroidWorld y 48.4 en WebArena para tareas de automatización.
- Alcanza 80.3 en ScreenSpotPro para tareas de grounding, 47.6 en OSWorld-MCP y 46.8 en MobileWorld para tool-calling, y 75.5 en GUI-Knowledge Bench para tareas de memoria y conocimiento.
- Incorpora un Hybrid Data Flywheel utilizando entornos sandbox simulados y basados en la nube para mejorar la eficiencia y calidad de la recopilación de datos.
- Utiliza una thought-synthesis pipeline unificada para mejorar las capacidades de razonamiento, centrándose en el uso de Tool/MCP, memoria y adaptación multi-agent.
- Propone el algoritmo RL MRPO del entorno para abordar los conflictos multiplataforma y la baja eficiencia de entrenamiento en tareas long-horizon.
Los modelos GUI-Owl-1.5 están open-sourced, con una demo cloud-sandbox online disponible.