arxiv arXiv cs.AI · 1시간 전 · research

Qwen-UI-Agent가 모바일 사용 벤치마크에서 최첨단 성능을 달성하다

번역 English → 한국어

Qwen 팀은 모바일, 컴퓨터 사용, 웹 및 DeepSearch 환경 전반에 걸쳐 신뢰성 있게 작동하도록 설계된 현실 중심의 기반 GUI 에이전트인 Qwen-UI-Agent에 대한 기술 보고서를 출시했습니다. 이 시스템은 다양한 샌드박스 환경과 대규모 실제 기기 모바일 런타임을 결합하여 GUI 작업과 CLI 실행을 교차시키고 장기적 작업을 지원합니다.

MobileWorld에서 82.1%, MobileWorld-Real에서 92.2%, AndroidDaily 벤치마크에서 97.5%를 달성합니다.
컴퓨터 사용 분야에서 OSWorld-Verified에서 79.5%, OSWorld-v2에서 40.0%의 부분 진행 점수를 기록합니다.
브라우저 사용 및 GUI 기반 작업 분야에서 WebArena에서 73.6%, ScreenSpot-Pro에서 81.5%를 달성합니다.
10,000개 이상의 동시 환경을 갖춘 AutoResearch 스타일의 데이터 플라이휠과 온라인 RL을 활용합니다.

Qwen-UI-Agent는 Opus 4.8, Gemini 3.1 Pro 및 GPT-5.6 Sol과 같은 최첨단 모델에 비해 경쟁력 있는 결과를 제공하면서 모바일 사용 벤치마크에서 최첨단 성능을 달성했습니다.

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

벤치마크

벤치마크	모델	점수
WebArena	Qwen-UI-Agent	73.6%

관련 기사

arxiv arXiv cs.CL · 3일 전

AgentOmnia는 전 시나리오 애플리케이션에 걸쳐 에이전트 모델을 확장합니다

연구자들은 AgentOmnia를 제시했는데, 이는 To-Consumer, To-Business, To-Employee 애플리케이션 전반에 걸쳐 작업 공간 정의, 데이터 합성, 사후 훈련, 평가 및 개선을 조정하는 전 시나리오 에이전트 스케일링을 위한 프레임워크입니다. 이 시스템은 확장 가능한 분류 체계를 활용하고 OmniaBench를 통한 세밀한 진단을 가능하게 하기 위해 255,375개의 도구와 52,361개의 작업을 갖춘 5,018개의 상태 환경(stateful environments)을 구성합니다.

arxiv arXiv cs.LG · 14일 전

TRACE는 턴 레벨 신용 추정을 통해 장기 에이전트의 도구 사용 능력을 개선합니다

저자들은 장기 호라이즌 작업에서 결과 보상의 희소성과 높은 분산을 해결하는 에전틱 강화 학습을 위한 밀도 신용 할당 방법인 TRACE(Turn-level Reward Assignment via Credit Estimation)를 제안합니다. 롤아웃을 도구 호출 경계에서의 상태 전이로 표현하고 로그 비율 상태 값으로부터 액션별 보상을 유도함으로써, TRACE는 추가적인 비평가 모델이나 지도 미세 조정 단계 없이 효과적인 학습을 가능하게 합니다.

arxiv Moonshot AI (arXiv) · 276일 전 · 조회수 1회

Tongyi DeepResearch 기술 보고서

Tongyi DeepResearch 기술 보고서는 장기적이고 심층적인 정보 탐색 연구 작업을 위해 설계된 에이전트형 대규모 언어 모델을 소개합니다. 이 시스템은 완전 자동 데이터 합성 파이프라인과 확장 가능한 추론을 가능하게 하는 에이전트 중간 학습 및 사후 학습을 결합한 엔드투엔드 학습 프레임워크를 활용합니다.

arxiv arXiv cs.CL · 1일 전

Living-Harness가 자체 진화하는 에이전트 하네스를 통해 Pass@1을 약 10포인트 향상

연구자들은 Living-Harness를 제안했는데, 이는 완료된 트래젝토리와 평가자 신호를 유한한 하네스 업데이트를 위한 사후 증거로 변환하는 자기 진화형 에이전트 하네스입니다. Evolution-SOP의 지침에 따라 시스템은 에피소드 추상화와 구조화된 업데이트 증거를 추출하여 에피소드 메모리와 상태 그래프를 작성합니다.

arxiv arXiv cs.CL · 2일 전

Relay-OPD는 온파시얼리 디스틸레이션에서 학습 궤적 길이를 50% 이상 단축합니다

연구자들은 표준 온파시얼리 디스틸레이션에서 학생의 오류가 신뢰할 수 없는 감독을 초래하는 접두사 실패 문제를 해결하기 위해 Relay On-Policy Distillation (Relay-OPD)를 소개했습니다. 이 방법은 교사-학생 연속성 비대칭을 트리거로 사용하여, 학생이 재개하기 전에 교사가 잠시 개입하여 궤적을 재지시합니다.