UI-AGILE：通过有效的强化学习和精确的推理期对齐推进GUI代理

多模态大语言模型（Multimodal Large Language Models，MLLMs）的出现推动了图形用户界面（Graphical User Interface，GUI）代理能力的重大进展。然而，现有的GUI代理训练和推理技术在推理设计、奖励机制的有效性以及视觉噪声处理方面仍面临诸多挑战。为了解决这些问题，我们提出了UI-AGILE，这是一个在训练和推理阶段均能提升GUI代理能力的综合性框架。 在训练阶段，我们提出了一套对监督微调（Supervised Fine-Tuning，SFT）过程的改进方案：1）一种连续奖励函数（Continuous Reward function），用于激励高精度的视觉定位（grounding）；2）一种“简单思考”奖励（"Simple Thinking" reward），用于在规划效率与视觉定位准确性之间取得平衡；3）一种基于裁剪的重采样策略（Cropping-based Resampling strategy），用于缓解稀疏奖励问题，并提升在复杂任务上的学习效果。 在推理阶段，我们提出了一种“选择性分解定位”方法（Decomposed Grounding with Selection），该方法通过将图像分解为更小、更易处理的部分，显著提高了在高分辨率显示器上的定位准确性。 实验结果表明，UI-AGILE在两个基准测试ScreenSpot-Pro和ScreenSpot-v2上均达到了当前最先进的性能。例如，在ScreenSpot-Pro上，结合我们提出的训练和推理增强方法，相较于最佳基线模型，定位准确率提升了23%。