摘要
测试时扩展（TTS）通过采样候选动作并利用批判模型排序，成为通用 GUI 智能体的重要范式。然而，现有批判模型采用二元分类，导致有效动作与干扰项分数混淆。本文指出其存在“功能坍缩”和“噪声敏感”缺陷，提出 BBCritic 方法，基于功能等价假设，通过两阶段对比学习在共享功能空间对齐指令与动作，恢复层级结构。同时构建 BBBench 基准，支持细粒度排序评估。实验表明，BBCritic-3B 在无额外标注下优于 7B 参数 SOTA 模型，具备强零-shot 迁移能力。
AI 推荐理由
论文核心解决 GUI Agent 测试时扩展中的动作排序与规划选择问题，提升多步任务执行准确性。
研究机构
Shanghai Jiao Tong University
Xiaomi Inc.
论文信息