摘要
针对将组相对策略优化（GRPO）应用于 GUI 定位时，单截图采样导致对比组缺乏有效相对优势的问题，本文提出 VISTA 框架。该方法基于同一 GUI 实例的多个保目标视图构建对比组，通过裁剪保持目标可见并精确重映射坐标，实现语义等价但几何不同的输入对比。此外，引入自验证跨视图锚点稳定坐标生成，仅在模型获得最大奖励时激活。实验表明，VISTA 在多个基准测试中显著提升了定位准确率与鲁棒性。
AI 推荐理由
论文核心研究 GUI Grounding 技能，通过多视图训练显著提升 Agent 工具使用与定位能力。
研究机构
浙江大学
Venus Team, Ant Group
论文信息