LWAM：GUI智能体的潜空间世界动作模型

Seungjun Yu 等在 arXiv 发布论文，提出 Latent World Action Model（LWAM），将 GUI 智能体的世界建模从完整像素屏幕重建改为潜空间中的动作诱导未来信息预测，以降低推理延迟。 方法以多模态大模型为潜空间世界模型，共享表征支持动作选择与转移预测两个头，并引入动作感知对比目标缓解 identity shortcut、使转移表征捕捉动作引起的可区分变化。 作者称，离线与在线 GUI 设置的实验显示，相对像素空间世界模型，成功率相对提升最高达 31.9% 和 40.6%，推理延迟最多降低 98.9%；代码已在 GitHub 开源。

AI 根据报道生成 · 40 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。