Устранение ошибок, вызванных политикой: бенчмаркинг и синтез траекторий для устойчивых GUI-агентов

Аннотация

Хотя GUI-агенты достигли значительного прогресса, им часто не хватает устойчивости для восстановления после собственных ошибок, что препятствует их развертыванию в реальных условиях. Для устранения этого пробела как на уровне оценки, так и на уровне данных мы представляем GUI-RobustEval и предлагаем синтез траекторий, управляемый устойчивостью. GUI-RobustEval содержит 1 216 исполняемых тестовых сценариев, которые систематически измеряют способности к восстановлению после ошибок в широком и реалистичном спектре режимов ошибок. На уровне данных RoTS представляет собой масштабируемую среду синтеза, которая создает 800 тысяч высококачественных данных с помощью древовидного конвейера, активно выявляющего различные режимы ошибок и синтезирующего соответствующие шаги восстановления. Наши две модели, RoTS-7B и RoTS-32B, дообученные на нашем наборе данных, демонстрируют значительные улучшения как на GUI-RobustEval, так и на традиционных тестах GUI. Примечательно, что RoTS-32B достигает самых современных показателей на OSWorld с 47,4% успешности и 33,8% по показателю All-Pass@4, что позволяет предположить, что улучшенная способность к восстановлению после ошибок на длинных горизонтах способствует как устойчивости, так и общей производительности. Наш код доступен по адресу 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.