日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

GUIエージェントarXiv:2607.14548

HyMobileAgent: データと環境の共スケーリングによる高効率GUIエージェント

HyMobileAgent: Data-Environment Co-Scaling for Efficient GUI Agents

シェア:XThreadsFacebookLINEはてブBluesky

モバイルGUIエージェントの性能を、モデル規模だけでなくデータと環境の両方をスケールさせる枠組みで向上させた。合成データ生成、知識パイプライン、大規模アクションデータ、リセット可能な訓練環境、計画・反省機構を統合している。

詳しい要約

1. どんなもの?

HyMobileAgentは、Hy3.0-VL-A3Bというvision-native基盤モデルを搭載したモバイルGUIエージェントである。ネイティブな任意解像度入力、A3B規模のデプロイ予算、32Kコンテキストウィンドウを特徴とし、長期的なインタラクション履歴をモデル化する。データと環境の共スケーリングフレームワークを採用し、モバイルインタラクションの主要なボトルネック(複雑なインターフェースの正確な知覚、高品質なインタラクションデータのスケーラブルな取得、複合的な実行エラー下での堅牢な長期的意思決定)に対処する。

2. 先行研究と比べてどこがすごい?

従来のモバイルGUIエージェントは主にモデルスケーリングに依存していたが、HyMobileAgentはデータと環境の共スケーリングに焦点を当てている点が新しい。具体的には、GUI知覚フライホイール(モックインターフェース合成、拒否サンプリング、アイコン特化拡張)、チュートリアルビデオからの知識パイプライン、2000以上のサンドボックス/実機インスタンスでの百万規模のアクションデータパイプライン、リセット可能なトレーニング環境(34のモックアプリ、34000以上のタスク)を統合し、データと環境の両面からスケーリングを実現している。

3. 技術・手法の肝は?

手法の核は、データと環境の共スケーリングフレームワークである。具体的には、(1) GUI知覚フライホイール:モックインターフェース合成、拒否サンプリング、アイコン特化拡張により知覚データを生成。(2) 知識パイプライン:チュートリアルビデオを構造化インタラクションデータに変換。(3) 百万規模のアクションデータパイプライン:2000以上のサンドボックス/実機インスタンスで自動障害帰属を実施。(4) PhoneWorld Mock App Factory:リセット可能なトレーニング環境を提供。(5) Planning-and-Reflection機構:明示的なデッドループ検出で長期的実行を信頼性高くする。さらに、mid-training、教師ありファインチューニング、タスク特化報酬による強化学習を含む段階的トレーニングレシピを導入。

4. どうやって有効だと検証した?

要旨からは、具体的な検証方法(ベンチマークや比較実験など)は明記されていない。ただし、提案するフレームワークの各コンポーネント(データパイプライン、環境、トレーニングレシピ)が有効であることを示すための実験が行われたと推測されるが、詳細は不明。

5. 議論はある?

要旨からは、議論や限界についての言及はない。ただし、モバイルGUIエージェントの複合的な制約(知覚、データ、長期的意思決定)に対処するための総合的なフレームワークを提案しており、その有効性や一般化可能性についてはさらなる検証が必要と考えられる。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、同分野の定番として、モバイルGUIエージェントの基盤となる大規模マルチモーダルモデル(例:GPT-4V)や、GUI操作のためのデータセット(例:MoDA)やベンチマーク(例:MobileAgentBench)に関する論文が挙げられる。また、強化学習やPlanning-and-Reflection機構に関連する研究も参考になる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Hy Vision Team, Huawen Shen, Zhengyang Tang, Shangpin Peng, Liang Wu, Anran Zhang, Weinong Wang, Yiduo Guo, Chenxin Li, Zhengyao Fang, Yang Ding, Junyi Li, Fei Tang, Zheng Ruan, Yi Zhang, Xingran Zhou, Dingchen Yang, Sunqi Fan, Zhiyi Wan, Han Hu, Xin Lai, Pengyuan Lyu, Chengquan Zhang

分類: cs.CV

原文アブストラクト

As large multimodal models move from understanding content to operating on digital environments, mobile GUI has emerged as a challenging and consequential testbed for digital embodied intelligence. Mobile agents operate under three coupled constraints: precise perception of complex interfaces, scalable acquisition of high-quality interaction data, and robust long-horizon decision making under compounding execution errors. This report presents HyMobileAgent, a mobile GUI agent built on Hy3.0-VL-A3B, a vision-native foundation model featuring native any-resolution input, an A3B-scale deployment budget, and a 32K context window to model extended interaction histories. Rather than relying solely on model scaling, we develop a joint data and environment centric scaling framework to address the key bottlenecks of mobile interaction. Our framework integrates a GUI perception flywheel combining mock-interface synthesis, rejection sampling, and icon-specific augmentation; a knowledge pipeline that transforms tutorial videos into structured interaction data; a million-scale action data pipeline deployed across more than 2000 sandbox and real-device instances with automated failure attribution; the PhoneWorld Mock App Factory, providing a resettable training environment with 34 mock applications and over 34000 tasks; and a structured Planning-and-Reflection mechanism with explicit dead-loop detection for reliable long-horizon execution. We also introduce a progressive training recipe consisting of mid-training, supervised fine-tuning, and reinforcement learning with task-specific reward designs.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI