隨著多模態(tài)大語言模型（MLLM）的飛速發(fā)展，能夠像人類一樣通過視覺輸入操作圖形用戶界面（GUI）的智能體（Agent）正逐漸成為現(xiàn)實。然而，在通往通用計算機控制的道路上，如何讓模型精準地將自然語言指令對應到屏幕上的具體元素 —— 即 GUI Grounding 任務，依然是一大難題。

現(xiàn)有的方法，特別是基于驗證獎勵的強化學習（RLVR），雖然在提升 “指得準”（空間對齊）方面表現(xiàn)出色，卻往往在 “指得對”（語義對齊）上遭遇瓶頸。模型常常陷入 “自信陷阱”，在復雜的語義場景下無法通過有效探索找到正確的功能圖標。

針對這一痛點，來自浙江大學、香港理工大學及 InfiX.ai 的研究團隊提出了一種全新的自適應探索策略優(yōu)化框架（AEPO），并推出了InfiGUI-G1系列模型。該模型通過多答案生成與自適應獎勵機制，徹底打破了傳統(tǒng) RLVR 的探索瓶頸。僅憑 3B 和 7B 的參數(shù)量，InfiGUI-G1 便在多個高難度 GUI 基準測試中刷新了 SOTA，部分指標甚至大幅超越了閉源模型。

本文將深入介紹這項被 AAAI 2026 接收為 Oral 的工作，解讀其如何通過 “學會探索” 來實現(xiàn)更精準的 GUI 語義理解。

• 論文標題：InfiGUI-G1: Advancing GUI Grounding with Adaptive Exploration Policy Optimization
• 論文鏈接：https://arxiv.org/abs/2508.05731
• 代碼鏈接：https://github.com/InfiXAI/InfiGUI-G1

從 “空間對齊” 到 “語義對齊”：被忽視的探索瓶頸

GUI Grounding 任務的核心是將自然語言指令（如 “打開相機”）映射到屏幕上的特定元素坐標。研究團隊指出，這一任務可以解構(gòu)為兩個正交的維度：

1. 空間對齊（Spatial Alignment）：能否精確地定位到元素（即 “指得準”）。

2. 語義對齊（Semantic Alignment）：能否識別出功能正確的元素（即 “指得對”）。

現(xiàn)有的 RLVR 方法（如 Naive RLVR）雖然能通過優(yōu)化坐標生成來提升定位精度，但在面對語義模糊或復雜的指令時卻顯得力不從心。

例如，當指令是 “使用相機搜索物體” 時，屏幕上可能同時存在普通的 “相機應用” 和具有視覺搜索功能的 “Google Lens”。缺乏深度語義理解的模型往往會自信地死磕 “相機應用” 圖標。由于傳統(tǒng) RL 依賴當前策略采樣，模型會不斷重復這個高置信度的錯誤，陷入“自信陷阱”（Confidence Trap），從而無法發(fā)現(xiàn)真正正確的 “Google Lens” 圖標，導致無法獲得修正語義誤解所需的學習信號。

GUI Grounding 的主要失敗模式： (a) 空間對齊失敗，(b) 語義對齊失敗

InfiGUI-G1：自適應探索策略優(yōu)化（AEPO）

為了解決這一探索效率低下的問題，InfiGUI-G1 引入了AEPO（Adaptive Exploration Policy Optimization）框架。與傳統(tǒng)的單次回答生成不同，AEPO 旨在通過更廣泛且高效的探索來捕捉低概率但正確的選項。

AEPO 框架由三個協(xié)同工作的核心組件構(gòu)成：

1.多答案生成機制（Multi-Answer Generation）傳統(tǒng)的 RL 方法通常只采樣一個動作，一旦模型 “固執(zhí)己見” 地選錯，梯度的學習信號就會消失。AEPO 強制模型在一次前向傳遞中生成 N 個候選坐標點。這一機制迫使模型跳出單一的高置信度預測，去探索策略分布長尾中的可能性，從而大幅增加了發(fā)現(xiàn)正確答案（如上述例子中的 Google Lens）的概率。

2.自適應探索獎勵（Adaptive Exploration Reward, AER）僅僅生成多個答案是不夠的，如何評價這些答案的質(zhì)量至關重要。研究團隊基于效率第一性原理（效率 = 效用 / 成本）設計了 AER 函數(shù)。

• 動態(tài)激勵：如果模型在靠前的排名（Rank k）就找到了正確答案，給予高額獎勵；如果失敗，則給予較小的懲罰以鼓勵繼續(xù)探索。
• 這種非線性的獎勵設計在失敗時鼓勵模型 “廣撒網(wǎng)”，在成功時引導模型追求 “快準狠”，實現(xiàn)了探索與利用的動態(tài)平衡。

3.共線懲罰（Collinear Penalty）為了防止模型通過生成近似直線的點來 “作弊”（簡單的線性掃描策略），研究引入了共線懲罰。如果生成的多個候選點在幾何上近似共線，將被視為低質(zhì)量探索并受到嚴厲懲罰。這強制模型在語義空間而非單純的幾何空間中進行多樣化探索。

AEPO 與 Naive 強化學習基準方法的對比

實驗結(jié)果：小參數(shù)量實現(xiàn)性能越級

研究團隊在 MMBench-GUI、ScreenSpot-Pro、UI-Vision 等五個極具挑戰(zhàn)性的基準上對 InfiGUI-G1（3B 和 7B 版本）進行了全面評估。

1.綜合性能全面領先：在 MMBench-GUI 基準測試中，InfiGUI-G1-7B 在 Windows、iOS、Android 等多個平臺上的表現(xiàn)均刷新了開源模型的最佳成績。值得注意的是，InfiGUI-G1-7B 在部分指標上甚至優(yōu)于參數(shù)量大得多的 Qwen2.5-VL-72B 和閉源模型 GPT-4o。

2.攻克高難度語義理解任務ScreenSpot-Pro 基準專門區(qū)分了文本類（Text）和圖標類（Icon）任務。結(jié)果顯示，InfiGUI-G1 在更依賴語義理解的 “圖標” 任務上提升尤為明顯。這直接證明了 AEPO 策略有效解決了語義對齊的瓶頸，讓模型真正 “看懂” 了抽象圖標背后的功能含義，而不僅僅是進行簡單的文本匹配。

3.讓 “不可學習” 變得 “可學習”為了驗證 AEPO 是否真的解決了探索難題，研究團隊將樣本按難度分為簡單、中等和困難。實驗發(fā)現(xiàn)，InfiGUI-G1 在 “困難” 樣本（即基座模型幾乎無法答對的樣本）上的提升最為巨大，相對 Naive RLVR 基線提升了超過60%。這意味著 AEPO 成功挖掘出了那些以往因缺乏探索而被模型 “放棄” 的長尾知識。

ScreenSpot-Pro 基準測試的性能對比

總結(jié)與展望

InfiGUI-G1 的成功表明，GUI 智能體的性能瓶頸不僅僅在于視覺識別能力，更在于如何通過有效的強化學習策略來解決語義對齊問題。通過引入自適應探索機制，InfiGUI-G1 以極高的數(shù)據(jù)效率和較小的模型規(guī)模，實現(xiàn)了超越大模型的 GUI Grounding 能力。這項工作為未來開發(fā)更通用、更智能的 GUI 交互助手提供了堅實的技術基礎。

目前，InfiGUI-G1 的代碼、模型權(quán)重及相關資源已在 GitHub 開源，歡迎社區(qū)進一步研究與使用。