arxiv arXiv cs.AI · 1 jam lalu · research

Qwen-UI-Agent menetapkan standar terbaru pada benchmark penggunaan seluler

Diterjemahkan dari English → Bahasa Indonesia

Tim Qwen telah merilis laporan teknis untuk Qwen-UI-Agent, agen GUI dasar yang berpusat pada dunia nyata dan dirancang untuk beroperasi secara andal di lingkungan seluler, penggunaan komputer, web, dan DeepSearch. Sistem ini menggabungkan berbagai lingkungan sandbox dengan runtime seluler perangkat nyata berskala besar, menyelingkan operasi GUI dengan eksekusi CLI dan mendukung tugas jangka panjang.

Mencapai 82,1% pada MobileWorld, 92,2% pada MobileWorld-Real, dan 97,5% pada benchmark AndroidDaily.
Mencapai 79,5% pada OSWorld-Verified dan skor kemajuan parsial 40,0% pada OSWorld-v2 untuk penggunaan komputer.
Meraih 73,6% pada WebArena dan 81,5% pada ScreenSpot-Pro untuk penggunaan browser dan penjangkaran GUI.
Memanfaatkan roda gila data bergaya AutoResearch dan RL daring dengan lebih dari 10.000 lingkungan konkuren.

Qwen-UI-Agent menetapkan kinerja standar terbaru pada benchmark penggunaan seluler sambil memberikan hasil yang kompetitif dibandingkan model terdepan seperti Opus 4.8, Gemini 3.1 Pro, dan GPT-5.6 Sol.

Kepentingan 2/3 arXiv cs.AI Alibaba (Qwen) AI agents Research paper

Benchmark

Benchmark	Model	Skor
WebArena	Qwen-UI-Agent	73.6%

Artikel terkait

arxiv arXiv cs.CL · 3 hari lalu

AgentOmnia menskalakan model agentic di seluruh aplikasi skenario penuh

Peneliti mempresentasikan AgentOmnia, sebuah kerangka kerja untuk penskalaan agentic skenario penuh yang mengoordinasikan definisi ruang tugas, sintesis data, pasca-pelatihan, evaluasi, dan peningkatan di seluruh aplikasi To-Consumer, To-Business, dan To-Employee. Sistem ini memanfaatkan taksonomi yang dapat diperluas dan membangun 5.018 lingkungan stateful dengan 255.375 alat dan 52.361 tugas untuk memungkinkan diagnosis halus melalui OmniaBench.

arxiv arXiv cs.LG · 14 hari lalu

TRACE meningkatkan penggunaan alat agen jangka panjang melalui estimasi kredit per giliran

Para penulis mengusulkan TRACE (Turn-level Reward Assignment via Credit Estimation), sebuah metode penugasan kredit padat untuk pembelajaran penguatan agentic yang mengatasi kelangkaan dan varians tinggi dari reward hasil dalam tugas jangka panjang. Dengan merepresentasikan rollout sebagai transisi keadaan pada batas panggilan alat dan menurunkan reward per aksi dari nilai keadaan rasio log, TRACE memungkinkan pelatihan efektif tanpa kritikus tambahan atau tahap fine-tuning terawasi.

arxiv Moonshot AI (arXiv) · 276 hari lalu · 1 tayangan

Laporan Teknis Tongyi DeepResearch

Laporan Teknis Tongyi DeepResearch memperkenalkan model bahasa besar agentic yang dirancang untuk tugas penelitian pencarian informasi mendalam dan berjangka panjang. Sistem ini memanfaatkan pipeline sintesis data sepenuhnya otomatis dan kerangka pelatihan end-to-end yang menggabungkan pelatihan menengah agentic dan pelatihan pasca untuk memungkinkan penalaran yang skalabel.

arxiv arXiv cs.CL · 1 hari lalu

Living-Harness berevolusi sendiri untuk meningkatkan Pass@1 sekitar 10 poin

Para peneliti mengusulkan Living-Harness, sebuah harness agen yang berevolusi secara mandiri yang mengubah lintasan lengkap dan sinyal evaluator menjadi bukti posterior untuk pembaruan harness yang terbatas. Dipandu oleh Evolution-SOP, sistem mengekstrak abstraksi episode dan bukti pembaruan terstruktur untuk menulis memori episodik dan grafik keadaan.

arxiv arXiv cs.CL · 2 hari lalu

Relay-OPD mengurangi panjang lintasan pelatihan lebih dari 50% dalam distilasi on-policy

Para peneliti memperkenalkan Relay On-Policy Distillation (Relay-OPD) untuk mengatasi kegagalan prefix dalam distilasi on-policy standar, di mana kesalahan siswa menyebabkan pengawasan yang tidak dapat diandalkan. Metode ini menggunakan asimetri kelanjutan guru-siswa sebagai pemicu bagi guru untuk sebentar mengambil alih dan mengarahkan ulang lintasan sebelum siswa melanjutkan.