基于自主评估的计算机使用代理强化学习

计算机使用代理（CUA）通过在图形用户界面中感知与行动来执行高层目标，但因缺乏可扩展的机器可读奖励信号，其强化学习面临挑战。本文提出一种利用自主视觉 - 语言评估作为监督信号的 RL 微调框架。该方法将评估器反馈建模为噪声二元奖励通道，并推导去噪奖励估计器用于近端策略优化。实验表明，修正后的奖励信号显著提升了代理在多个操作系统环境中的任务成功率，证明了自主评估在 GUI 强化学习中的实用性。