Recuperando Erros Induzidos por Políticas: Benchmarking e Síntese de Trajetórias para Agentes de GUI Robustos

Resumo

Embora os agentes GUI tenham avançado rapidamente, frequentemente carecem da robustez necessária para se recuperarem de seus próprios erros, dificultando a implementação em cenários reais. Para preencher essa lacuna tanto no nível de avaliação quanto no de dados, introduzimos o GUI-RobustEval e propomos a Síntese de Trajetórias Orientada por Robustez. O GUI-RobustEval contém 1.216 casos de teste executáveis que medem sistematicamente as capacidades de recuperação de erros em um espectro amplo e realista de modos de erro. No nível de dados, o RoTS é uma estrutura de síntese escalável que cria 800 mil dados de alta qualidade por meio de um pipeline baseado em árvore que descobre proativamente diversos modos de erro e sintetiza etapas de recuperação correspondentes. Nossos dois modelos, RoTS-7B e RoTS-32B, ajustados finamente em nosso conjunto de dados, demonstraram ganhos significativos tanto no GUI-RobustEval quanto em benchmarks tradicionais de GUI. Notavelmente, o RoTS-32B alcança desempenho de estado da arte no OSWorld, com uma taxa de sucesso de 47,4% e uma pontuação All-Pass@4 de 33,8%, sugerindo que a melhoria na capacidade de recuperação de erros de longo horizonte contribui tanto para a robustez quanto para o desempenho geral. Nosso código está disponível em https://github.com/AlibabaResearch/RoTS.

English

While GUI agents have advanced rapidly, they often lack the robustness to recover from their own errors, hindering real-world deployment. To bridge this gap at both the evaluation and data levels, we introduce GUI-RobustEval and propose Robustness-driven Trajectory Synthesis. GUI-RobustEval contains 1,216 executable test cases that systematically measure error recovery capabilities across a broad and realistic spectrum of error modes. At the data level, RoTS is a scalable synthesis framework that creates 800k high-quality data via a tree-based pipeline that proactively discovers diverse error modes and synthesizes corresponding recovery steps. Our two models, RoTS-7B and RoTS-32B, fine-tuned on our dataset, both demonstrate significant gains on GUI-RobustEval and traditional GUI benchmarks. Notably, RoTS-32B achieves state-of-the-art performance on OSWorld, with a 47.4% success rate and a 33.8% All-Pass@4 score, suggesting that improved long-horizon error recovery ability contributes to both robustness and overall performance. Our code is available at https://github.com/AlibabaResearch/RoTS.