潜空间世界动作模型用于GUI智能体

2026年10月14日，arXiv Computer Vision 刊出论文，提出面向 GUI 智能体的潜空间世界动作模型（Latent World Action Model）。该研究将 GUI 世界模型的预测目标从全屏像素重建改为潜空间中的动作诱发未来信息，用大型多模态模型共享表征驱动动作选择与预测转移两个专用头，并引入动作感知对比目标以缓解身份捷径问题。报道称，在离线与在线 GUI 设置中，该方法成功率相对像素空间世界模型分别最高提升 31.9% 和 40.6%，推理延迟最高降低 98.9%，代码已公开。上述数据与结论均来自该论文报道，尚无其他独立来源跟进或提出不同说法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。