本文第一作者是上海交通大學(xué)計(jì)算機(jī)學(xué)院三年級(jí)博士生程彭洲，研究方向?yàn)槎嗄B(tài)大模型推理、AI Agent、Agent 安全等。通訊作者為張倬勝助理教授和劉功申教授。

一、論文概述

1.1 研究背景

隨著多模態(tài)大語言模型（Multimodal Large Language Models, MLLMs）的快速發(fā)展，越來越多的研究聚焦于構(gòu)建能夠在圖形用戶界面（GUI）中執(zhí)行復(fù)雜任務(wù)的智能體。這些智能體利用視覺感知與語言理解能力，已在移動(dòng)應(yīng)用、Web 導(dǎo)航及桌面操作等領(lǐng)域顯示出巨大潛力。然而，現(xiàn)有系統(tǒng)大多采用 “全自動(dòng)” 執(zhí)行范式，在面對(duì)真實(shí)場(chǎng)景中的模糊指令、環(huán)境干擾或系統(tǒng)異常時(shí)，常出現(xiàn)誤操作或任務(wù)失敗等現(xiàn)象。這類 “過度執(zhí)行”（Over-execution）問題，嚴(yán)重限制了 GUI 智能體在實(shí)際應(yīng)用中的安全性與可靠性。

三種復(fù)雜場(chǎng)景

1.2 研究問題

本研究關(guān)注一個(gè)核心問題：如何賦予 GUI 智能體自我評(píng)估其行為置信度的能力，并基于此實(shí)現(xiàn)自主與人工交互間的動(dòng)態(tài)切換，從而在復(fù)雜環(huán)境中提升任務(wù)完成率與交互效率。具體而言，當(dāng)前 GUI 智能體在操作中缺乏對(duì) “當(dāng)前步驟是否需要人工指導(dǎo)” 的判斷能力，一旦模型在某一步操作中產(chǎn)生低置信度的決策，仍可能繼續(xù)執(zhí)行錯(cuò)誤行為，導(dǎo)致后續(xù)任務(wù)鏈條崩潰。論文嘗試解決的正是這種因無法判斷自身能力邊界而導(dǎo)致的系統(tǒng)性失誤。

自主智能體易產(chǎn)生 “過度執(zhí)行”，而 OS-Kairos 會(huì)精準(zhǔn)的請(qǐng)求人類介入

1.3 主要貢獻(xiàn)

本論文提出了 OS-Kairos，一種具有自適應(yīng)交互能力的新型 GUI 智能體系統(tǒng)，其主要貢獻(xiàn)如下：

（i）引入置信度預(yù)測(cè)機(jī)制，讓 GUI 智能體能夠在每一步操作中評(píng)估自身執(zhí)行的信心，并據(jù)此決定是否調(diào)用人類或高級(jí)模型介入，實(shí)現(xiàn)真正的 “可控自主”。

（ii）設(shè)計(jì)了協(xié)同探測(cè)框架（Collaborative Probing Framework），通過 GPT-4o 與界面解析模型協(xié)同，為每一個(gè)交互步驟自動(dòng)打分，生成高質(zhì)量的含置信度標(biāo)注的操作軌跡數(shù)據(jù)集。

（iii）提出置信驅(qū)動(dòng)交互策略（Confidence-driven Interaction），將置信度評(píng)分作為模型訓(xùn)練的一部分，通過監(jiān)督學(xué)習(xí)將置信判斷能力整合進(jìn) GUI 智能體本身，并通過閾值實(shí)現(xiàn)自適應(yīng)調(diào)節(jié)。

（iv）OS-Kairos 在我們精選的復(fù)雜場(chǎng)景數(shù)據(jù)集和完善的移動(dòng)基準(zhǔn)上都遠(yuǎn)遠(yuǎn)優(yōu)于現(xiàn)有模型，具有有效性、通用性、可擴(kuò)展性和效率的優(yōu)點(diǎn)。

• 論文標(biāo)題：OS-Kairos: Adaptive Interaction for MLLM-Powered GUI Agents
• 論文鏈接：https://arxiv.org/abs/2503.16465
• 論文代碼：https://github.com/Wuzheng02/OS-Kairos

二、方法與理論

本研究提出了一種新型的 GUI 智能體系統(tǒng) OS-Kairos，旨在通過操作置信度的引入與動(dòng)態(tài)人機(jī)協(xié)作機(jī)制，解決現(xiàn)有智能體在復(fù)雜任務(wù)中 “過度執(zhí)行” 的問題。整個(gè)系統(tǒng)方法框架由兩大核心機(jī)制組成：協(xié)同探測(cè)框架與置信驅(qū)動(dòng)交互策略。

2.1 協(xié)同探測(cè)框架

協(xié)作探測(cè)框架

該機(jī)制旨在為每個(gè)交互步驟生成高質(zhì)量的置信度標(biāo)注數(shù)據(jù)，是 OS-Kairos 訓(xùn)練和推理能力構(gòu)建的基礎(chǔ)，主要包含以下三個(gè)階段：

1）復(fù)雜任務(wù)指令收集與擴(kuò)展

研究團(tuán)隊(duì)從公共數(shù)據(jù)集與人類專家設(shè)計(jì)中收集典型的復(fù)雜指令（如模糊描述、權(quán)限缺失、環(huán)境劫持等），再利用 GPT-4 等生成式模型對(duì)其擴(kuò)展，以保證覆蓋多語言、多 APP、多場(chǎng)景。

2）置信度打分機(jī)制設(shè)計(jì)

核心機(jī)制采用 “Actor-Critic” 協(xié)同范式：

• Probing Agent：執(zhí)行用戶指令；
• Critic Model：基于 GPT-4o 和 UI 結(jié)構(gòu)解析，對(duì)每一步操作給予置信度評(píng)分（1～5 分）；
• 若評(píng)分低于 5，裁判將給出正確操作建議并繼續(xù)測(cè)試，直到任務(wù)完成。

通過這種協(xié)同探測(cè)過程，系統(tǒng)能夠自動(dòng)生成含有操作 - 評(píng)分配對(duì)的完整 GUI 軌跡數(shù)據(jù)。

3) 數(shù)據(jù)清洗與優(yōu)化

生成的數(shù)據(jù)進(jìn)一步經(jīng)過一致性驗(yàn)證與軌跡修正，以確保每一步操作的執(zhí)行意圖與置信度合理匹配，為后續(xù)置信度集成提供高質(zhì)量訓(xùn)練數(shù)據(jù)。

2.2 置信驅(qū)動(dòng)交互策略

在獲得高質(zhì)量軌跡數(shù)據(jù)后，研究者設(shè)計(jì)了一套結(jié)合置信度分?jǐn)?shù)的模型訓(xùn)練與推理策略，使 GUI 智能體具備 “按需請(qǐng)求人類干預(yù)” 的能力：

1）聯(lián)合預(yù)測(cè)訓(xùn)練

在訓(xùn)練階段，模型基于指令微調(diào)在不改變動(dòng)作預(yù)測(cè)能力下，植入預(yù)測(cè)該動(dòng)作的置信度分值。該訓(xùn)練方式確保模型具備準(zhǔn)確行為預(yù)測(cè)與自信程度評(píng)估的雙重能力。

2）動(dòng)態(tài)交互控制機(jī)制

在部署階段，系統(tǒng)通過設(shè)定一個(gè)置信度閾值 γ，對(duì)每一步操作進(jìn)行判斷：

• 若置信度 ≥ γ，自動(dòng)執(zhí)行；
• 若置信度 < γ，觸發(fā)人類干預(yù)或高級(jí)模型輔助。

這一機(jī)制類似于大語言模型的溫度系數(shù)，可以根據(jù)應(yīng)用需求靈活調(diào)節(jié)，兼顧效率與可靠性。例如：γ = 1 時(shí)，模型完全自動(dòng)執(zhí)行；γ = 5 時(shí)，模型步步請(qǐng)求干預(yù)；γ = 3～4 時(shí)實(shí)現(xiàn)最優(yōu)的人機(jī)協(xié)同平衡。

三、實(shí)驗(yàn)與結(jié)果

3.1 實(shí)驗(yàn)設(shè)置

為系統(tǒng)評(píng)估 OS-Kairos 的性能，作者在多個(gè)層面構(gòu)建了完整的實(shí)驗(yàn)體系，涵蓋真實(shí)復(fù)雜場(chǎng)景、自構(gòu)建數(shù)據(jù)集與公開基準(zhǔn)，并對(duì)比多種類型的現(xiàn)有 GUI 智能體模型。

3.1.1 數(shù)據(jù)集

1）復(fù)雜場(chǎng)景測(cè)試集（自構(gòu)建）：作者利用真實(shí) Android 設(shè)備、12 個(gè)常見 App（如 Amazon、微信、設(shè)置等）與 12 類任務(wù)主題（如購物、登錄、搜索等）構(gòu)建了 1000 條復(fù)雜任務(wù)指令，涵蓋類型包括：

a) 任務(wù)類型涵蓋：模糊指令（如省略主語、目標(biāo)不明確）

b) 環(huán)境干擾（如彈窗、網(wǎng)絡(luò)斷連）

c) 異常狀態(tài)（如登錄過期、權(quán)限不足）

每條任務(wù)指令被逐步執(zhí)行并由 GPT-4o 輔助評(píng)分，生成具有置信度標(biāo)注的完整 GUI 軌跡數(shù)據(jù)。

2）公開基準(zhǔn)數(shù)據(jù)集

a) AITZ（Android In The Zoo）：包含復(fù)雜鏈?zhǔn)讲僮鳎瑥?qiáng)調(diào) reasoning 和 action planning。

b) Meta-GUI：結(jié)合多模態(tài)對(duì)話和 GUI 控制，支持任務(wù)引導(dǎo)與精細(xì)指令執(zhí)行。

數(shù)據(jù)集被劃分為訓(xùn)練集（80%）和測(cè)試集（20%），用于模型訓(xùn)練與評(píng)估。

3.1.2 評(píng)估指標(biāo)

為了全面評(píng)價(jià) GUI 智能體的表現(xiàn)，作者采用了以下多個(gè)指標(biāo)：動(dòng)作類型準(zhǔn)確率（Type）、步驟級(jí)成功率（SR）、任務(wù)完成率（TSR）、人機(jī)介入成功率（HSR）、干預(yù)精度（IP）等。

3.1.3 比較模型設(shè)置

實(shí)驗(yàn)的設(shè)置分為 Fine-tuning 和 Zero-shot 模式，對(duì)比的模型涵蓋三類：

1) API 接口型模型

a) GPT-4o

b) GPT-4V-Plus

c) Qwen-VL-MAX

2) 開源多模態(tài)模型

a) Qwen2-VL-7B

b) OS-Atlas-Pro-7B

c) Auto-UI

3.1.4 模型與訓(xùn)練設(shè)置

為了確保實(shí)驗(yàn)的公平性，每個(gè)數(shù)據(jù)集的任務(wù)軌跡被隨機(jī)劃分為 80% 用于訓(xùn)練數(shù)據(jù)，20% 用于測(cè)試數(shù)據(jù)。在 Zero-shot 中，模型直接通過 prompt 學(xué)習(xí)進(jìn)行評(píng)估，不依賴任何額外的微調(diào)。在 Fine-tuning 設(shè)置下，模型在對(duì)應(yīng)的數(shù)據(jù)集上進(jìn)行 8 輪訓(xùn)練，學(xué)習(xí)率為 1e-5。在交互模式下，OS-Kairos 使用一個(gè)默認(rèn)的置信度閾值 γ=4，當(dāng)當(dāng)前步驟的置信度低于此閾值時(shí)，系統(tǒng)會(huì)請(qǐng)求人工干預(yù)。在整個(gè)過程中，GPT-4o 被用作裁判模型對(duì)每一步的動(dòng)作進(jìn)行評(píng)分，確保評(píng)估的一致性和可靠性。

3.2 實(shí)驗(yàn)結(jié)果

3.2.1 主要實(shí)驗(yàn)結(jié)果

表 1: Zero-shot 設(shè)置下 OS-Kairos 與基線比較的結(jié)果

1）在 Zero-shot 設(shè)置下，OS-Kairos 無需改變模型能力，僅通過引入置信度驅(qū)動(dòng)的自適應(yīng)交互機(jī)制，就顯著優(yōu)于多個(gè)基線模型。在三個(gè)數(shù)據(jù)集上均表現(xiàn)出色，復(fù)雜場(chǎng)景下實(shí)現(xiàn)了 95.90% 的步驟成功率和 88.20% 的任務(wù)完成率。相比之下，現(xiàn)有 API 模型雖具備通用性，但因無法識(shí)別關(guān)鍵復(fù)雜步驟，易出現(xiàn)過度執(zhí)行而導(dǎo)致任務(wù)失敗，凸顯了 OS-Kairos 在可靠性。

表 2: Fine-tuning 設(shè)置下 OS-Kairos 與基線比較的結(jié)果

2）盡管 Fine-tuning 在一定程度上緩解了 GUI 智能體的過度執(zhí)行問題，但是 OS-Kairos 依然表現(xiàn)出更強(qiáng)的性能，尤其在復(fù)雜場(chǎng)景中，其任務(wù)完成率（TSR）帶來 26.09% 到 85.72% 的絕對(duì)提升。通過識(shí)別如 SCROLL 等關(guān)鍵復(fù)雜步驟，OS-Kairos 實(shí)現(xiàn)了更精準(zhǔn)的優(yōu)化，而傳統(tǒng)微調(diào)方法則可能引入操作偏差或面臨優(yōu)化瓶頸。

三種數(shù)據(jù)集下介入精度分析

3）OS-Kairos 的置信度評(píng)分機(jī)制實(shí)現(xiàn)了高效的人機(jī)交互（HSR）。在復(fù)雜場(chǎng)景與 Meta-GUI 中，其對(duì)自主執(zhí)行步驟的判斷高度準(zhǔn)確，AP 指標(biāo)分別達(dá)到 96.44% 和 93.18%，同時(shí)在人為干預(yù)步驟中保持 70% 以上的干預(yù)精度（IP）。這表明 OS-Kairos 能有效區(qū)分何時(shí)應(yīng)請(qǐng)求幫助、何時(shí)應(yīng)獨(dú)立執(zhí)行，避免不必要的干預(yù)。研究還指出，結(jié)合高質(zhì)量采樣，系統(tǒng)在如 AITZ 等數(shù)據(jù)集中的表現(xiàn)有望進(jìn)一步提升。

3.2.2 實(shí)驗(yàn)分析

3.2.2.1 動(dòng)態(tài)評(píng)估

以往的基準(zhǔn)評(píng)估一般基于靜態(tài)分析，難以反映 GUI 智能體在真實(shí)環(huán)境中的自主規(guī)劃與泛化能力。為此，論文在移動(dòng)設(shè)備上報(bào)告了實(shí)際任務(wù)完成率（TSR）。結(jié)果顯示，現(xiàn)有基線模型的 TSR 僅為 4% 和 26%，GPT-4o 為 36%，而 OS-Kairos 在介入時(shí)通過引入 GPT-4o 決策，達(dá)到了這一上限。在引入人工干預(yù)后，OS-Kairos 的 TSR 從 32% 提升至 70%，充分證明自適應(yīng)交互機(jī)制在真實(shí)場(chǎng)景中具有顯著優(yōu)勢(shì)，是實(shí)現(xiàn)高效 GUI 智能體的有效范式。

3.2.2.2 效率評(píng)估

表 4 還展示了 OS-Kairos 在真實(shí)環(huán)境中的執(zhí)行效率。基于 50 條指令統(tǒng)計(jì)，人工執(zhí)行的最優(yōu)步驟數(shù)約為 429 步。在最大操作步數(shù)限制為 10 的條件下，基線模型在遇到復(fù)雜步驟時(shí)普遍存在過度執(zhí)行現(xiàn)象。而 OS-Kairos 更貼近人類的操作行為，其相對(duì)效率（RE）分別達(dá)到 86.42% 和 93.47%，顯著優(yōu)于基線，體現(xiàn)了其高效且穩(wěn)健的交互能力。

3.2.2.3 置信度集成范式評(píng)估

表 5 對(duì)比了 OS-Kairos 與基于 prompt 的交互模型，結(jié)果顯示 OS-Kairos 的交互機(jī)制顯著優(yōu)于 prompt 驅(qū)動(dòng)范式，尤其在介入成功率（HSR）上超越了 prompt 模式下的 OS-Atlas-Pro-7B。盡管 GPT-4o 和 GLM-4V-Plus 具備較強(qiáng)的感知和定位能力，API 型 GUI Agent 仍表現(xiàn)出不穩(wěn)定性，易出現(xiàn)過度執(zhí)行，影響整體效果。在開源模型中，Qwen2-VL-7B 的表現(xiàn)相對(duì)更穩(wěn)定，而 OS-Atlas-Pro-7B 在 prompt 模式下指令執(zhí)行能力被嚴(yán)重干擾。

3.2.2.4 模型和數(shù)據(jù)分析

盡管基于 7B 模型構(gòu)建，OS-Kairos 通過置信度評(píng)分與數(shù)據(jù)蒸餾，可有效遷移至 2B～7B 模型。在 Qwen2-VL-2B、4B 和 7B 上分別達(dá)到 85.09%、77.64% 和 76.40% 的 TSR，表現(xiàn)出良好的精度與兼容性，適用于資源受限環(huán)境部署。OS-Kairos 在不同數(shù)據(jù)規(guī)模下依然保持穩(wěn)定表現(xiàn)，TSR 可達(dá) 76.19%～88.20%。即便使用少量探測(cè)數(shù)據(jù)，置信度機(jī)制也能有效支撐模型訓(xùn)練，成本遠(yuǎn)低于微調(diào)。

3.2.2.5 交互敏感度分析

OS-Kairos 通過調(diào)節(jié)置信度閾值 γ 實(shí)現(xiàn)自適應(yīng)交互。消融實(shí)驗(yàn)表明，γ 提高可顯著提升 TSR 和 SR，而 HSR 與操作準(zhǔn)確率保持穩(wěn)定，說明其能有效識(shí)別復(fù)雜步驟，減少過度執(zhí)行。在 γ = 2 時(shí)，僅需 19% 的人工干預(yù)即可達(dá)到接近微調(diào)的效果，展現(xiàn)出良好的靈活性與實(shí)用性。

四、討論與啟示

4.1 主要發(fā)現(xiàn)總結(jié)

本研究通過全面的實(shí)驗(yàn)評(píng)估，得出了以下主要發(fā)現(xiàn)：

1.OS-Kairos 在多個(gè)數(shù)據(jù)集上顯著優(yōu)于 prompt-based 基線模型及微調(diào)模型，充分證明自適應(yīng)交互機(jī)制對(duì)于提升 GUI Agent 任務(wù)完成的可靠性與魯棒性具有關(guān)鍵作用。

2. 置信驅(qū)動(dòng)交互高效穩(wěn)定：OS-Kairos 能穩(wěn)定區(qū)分何時(shí)需要干預(yù)，有效避免過度執(zhí)行。

3. 真實(shí)設(shè)備測(cè)試表現(xiàn)優(yōu)越：在移動(dòng)設(shè)備上運(yùn)行時(shí)，OS-Kairos TSR 達(dá) 32%（無干預(yù)）至 70%（有干預(yù)），遠(yuǎn)超現(xiàn)有開源和商用模型，接近 GPT-4o 的上限水平。

4. 模型規(guī)模與數(shù)據(jù)成本友好：置信度機(jī)制可遷移至 2B～7B 模型，在資源受限場(chǎng)景中依然保持 76% 以上的 TSR，僅需少量探測(cè)數(shù)據(jù)即可訓(xùn)練，成本遠(yuǎn)低于全量微調(diào)。

4.2 啟示

4.2.1 對(duì)從業(yè)者的啟示

1. 增強(qiáng)系統(tǒng)可靠性：置信度驅(qū)動(dòng)的自適應(yīng)交互機(jī)制可顯著減少錯(cuò)誤操作，提升系統(tǒng)在復(fù)雜真實(shí)場(chǎng)景中的穩(wěn)定性與安全性。

2. 支持人機(jī)協(xié)作設(shè)計(jì)：通過動(dòng)態(tài)決策是否請(qǐng)求用戶干預(yù)，系統(tǒng)可靈活權(quán)衡自主性與可控性，適用于高風(fēng)險(xiǎn)任務(wù)如金融、醫(yī)療等場(chǎng)景。

4.2.2 對(duì)研究社區(qū)的啟示

1. 拓展交互智能研究范式：本研究強(qiáng)調(diào)從 “全自主執(zhí)行” 轉(zhuǎn)向 “置信度引導(dǎo)下的自適應(yīng)協(xié)作”，為多模態(tài) GUI 智能體設(shè)計(jì)提供新思路。

2. 提出具遷移性的框架設(shè)計(jì)：驗(yàn)證了數(shù)據(jù)蒸餾與置信機(jī)制在不同模型規(guī)模下的一致性，鼓勵(lì)發(fā)展輕量級(jí)、可推廣的交互方法。

3. 推動(dòng)標(biāo)準(zhǔn)評(píng)估體系更新：指出靜態(tài)測(cè)試局限，倡導(dǎo)引入真實(shí)環(huán)境 + 交互能力評(píng)估的新標(biāo)準(zhǔn)，有助于更全面地衡量 GUI Agent 的實(shí)用性與可靠性。

4.3 批判性分析

1. 適用范圍與可推廣性：目前系統(tǒng)主要驗(yàn)證于移動(dòng) GUI 環(huán)境，對(duì)于桌面端、Web 端尚未進(jìn)行測(cè)試，其泛化能力在更復(fù)雜的多模態(tài)交互系統(tǒng)中仍需驗(yàn)證。

2. 置信度分?jǐn)?shù)：置信度分?jǐn)?shù)是來自 Actor-Critic 探測(cè)架構(gòu)下的 GPT-4o 給出，其準(zhǔn)確性需要進(jìn)一步驗(yàn)證。

五. 局限性與未來工作

5.1 局限性

1. 任務(wù)類型與應(yīng)用場(chǎng)景有限：實(shí)驗(yàn)主要集中在移動(dòng)端單任務(wù) GUI 環(huán)境，對(duì)于桌面端、多窗口、Web 或混合界面等復(fù)雜交互形式尚未驗(yàn)證。

2. 依賴外部大模型評(píng)分：當(dāng)前系統(tǒng)在訓(xùn)練與評(píng)估中使用 GPT-4o 作為置信度評(píng)分器，提升了標(biāo)注質(zhì)量，但其準(zhǔn)確性需進(jìn)一步優(yōu)化。

3. 過度介入：OS-Kairos 通過置信度分?jǐn)?shù)評(píng)估是否需要人類介入，但過度介入會(huì)影響 GUI Agent 的自動(dòng)化。

5.2 未來工作

1. 實(shí)現(xiàn)模型內(nèi)部置信度量化：當(dāng)前置信度依賴外部模型，未來可探索在智能體內(nèi)部實(shí)現(xiàn)置信度量化，提升推理效率與部署實(shí)用性。

2. 優(yōu)化交互決策策略：為避免過度執(zhí)行或頻繁干預(yù)，可引入動(dòng)態(tài)閾值或強(qiáng)化學(xué)習(xí)策略，實(shí)現(xiàn)更靈活、高效的人機(jī)協(xié)作控制。

3. 支持復(fù)雜任務(wù)與跨平臺(tái)部署：推動(dòng)模型在桌面端和 Web 平臺(tái)的應(yīng)用，增強(qiáng)其處理復(fù)雜任務(wù)和多模態(tài)語音輸入的能力，提升泛化性與實(shí)用性。