पत्र में GUI-Owl-1.5 का परिचय दिया गया है, जो एक native GUI agent मॉडल है जिसमें instruct और thinking variants 2B से 235B parameters तक के आकारों में उपलब्ध हैं। यह cloud-edge collaboration और real-time interaction को सक्षम बनाने के लिए desktop, mobile, और browser environments सहित कई platforms का समर्थन करता है।
- open-source models में 20 से अधिक GUI benchmarks पर state-of-the-art परिणाम प्राप्त करता है, automation tasks के लिए OSWorld पर 56.5, AndroidWorld पर 71.6, और WebArena पर 48.4 स्कोरिंग।
- grounding tasks के लिए ScreenSpotPro पर 80.3 तक पहुँचता है, tool-calling के लिए OSWorld-MCP पर 47.6 और MobileWorld पर 46.8, और memory और knowledge tasks के लिए GUI-Knowledge Bench पर 75.5।
- data collection efficiency और quality को बेहतर बनाने के लिए simulated और cloud-based sandbox environments का उपयोग करके Hybrid Data Flywheel को शामिल करता है।
- reasoning capabilities को बढ़ाने के लिए एक unified thought-synthesis pipeline का उपयोग करता है, जिसमें Tool/MCP use, memory, और multi-agent adaptation पर ध्यान केंद्रित किया गया है।
- long-horizon tasks में multi-platform conflicts और low training efficiency को संबोधित करने के लिए MRPO environment RL algorithm का प्रस्ताव देता है।
GUI-Owl-1.5 models open-sourced हैं, जिसके साथ एक online cloud-sandbox demo उपलब्ध है।