Xiaomi-GUI-0 기술 보고서

초록

그래픽 사용자 인터페이스(GUI) 에이전트는 비전-언어 모델을 기반으로 하여 실제 애플리케이션에서 탭, 스와이프, 텍스트 입력 및 내비게이션 등의 인터페이스 동작을 통해 사용자 작업을 종단간으로 완료한다. 그러나 기존의 GUI 에이전트는 대부분 오프라인 궤적, 시뮬레이션 환경 및 표준화된 벤치마크에서 훈련 및 평가된다. 이들은 실제 애플리케이션의 인터페이스 레이아웃, 상호작용 로직 및 비정상 상태 분포와 상당히 다르며, 계정 상태, 권한 대화상자, 결제 인증 및 리스크 제어가 지속적으로 상태 분포를 변화시켜 벤치마크 점수와 실제 사용성 사이에 지속적인 격차를 초래하는 실제 환경에서의 실행 안정성을 충실히 특성화하지 못한다. 이러한 격차를 해소하기 위해, 우리는 실제 모바일 환경을 위한 네이티브 멀티모달 GUI 에이전트인 Xiaomi-GUI-0을 제안하며, 이는 실제 기기 폐쇄 루프 내에서 훈련 및 평가된다. 핵심은 실제 기기 중심의 하이브리드 인프라로, 물리적 기기가 주요 실행 환경이고 샌드박스가 보조 지원을 제공하여 데이터 수집, 훈련, 롤아웃 및 평가가 실제 배포와 유사한 실행 분포를 공유하도록 한다. 우리는 높은 빈도의 헤드 작업을 포괄하는 다중 소스 훈련 데이터, 긴 꼬리 의도를 위한 높은 일반화 데이터, 그리고 반성 및 메모리를 위한 능력 향상 데이터를 구축하고, 오류 주도 데이터 플라이휠을 도입하여 실패 궤적을 수정된 동작, 반성적 설명 및 복구 데모로 변환한다. 모델은 지도 미세 조정, 단계별 강화 학습 및 에이전트 강화 학습으로 구성된 점진적 3단계 파이프라인을 통해 훈련된다. 공개 벤치마크와 자체 RealMobile에서 평가된 Xiaomi-GUI-0은 RealMobile에서 72.0%, AndroidWorld에서 78.9%의 성공률을 달성하며, 실제 작업에서 실행 안정성과 비정상 상태 인식을 크게 개선한다.

English

Graphical user interface (GUI) agents build on vision-language models to complete user tasks end-to-end in real applications through interface actions such as tapping, swiping, text entry, and navigation. However, existing GUI agents are trained and evaluated largely on offline trajectories, simulated environments, and standardized benchmarks. These differ substantially from real applications in interface layout, interaction logic, and abnormal-state distribution, and cannot faithfully characterize execution stability in real-world use, where account states, permission dialogs, payment authentication, and risk control continually reshape the state distribution and open a persistent gap between benchmark scores and real usability. To close this gap, we propose Xiaomi-GUI-0, a native multimodal GUI agent for real mobile environments, trained and evaluated within a real-device closed loop. At its core is a real-device-dominant hybrid infrastructure, where physical devices are the primary execution environment and sandboxes provide auxiliary support, so that data collection, training, rollout, and evaluation share an execution distribution close to real deployment. We construct multi-source training data spanning high-frequency head tasks, high-generalization data for long-tail intents, and capability-enhancement data for reflection and memory, and introduce an error-driven data flywheel that turns failure trajectories into corrected actions, reflective explanations, and recovery demonstrations. The model is trained through a progressive three-stage pipeline of supervised fine-tuning, step-level reinforcement learning, and agentic reinforcement learning. Evaluated on public benchmarks and our in-house RealMobile, Xiaomi-GUI-0 achieves 72.0% success on RealMobile and 78.9% on AndroidWorld, while substantially improving execution stability and abnormal-state recognition in real-world tasks.