原子接口相较原生SDK让桌面Agent在线token约少73%

重点关注

01 Agent原子接口相较原生SDK让在线token约少73%

软件版本演进为观察接口变化如何影响桌面Agent表现提供了一组自然对照。研究者在任务、Agent和验证器不变的情况下测试6款桌面应用的255项任务，结果显示，在两种模型和六款应用中，最新版本持续优于最旧版本。轨迹分析识别出三个相关接口属性：Agent能否找到可用操作，操作是否足够原子化，以及执行后能否清楚判断状态变化。基于这些准则构建的ANIS会从已安装应用中合成Agent原生接口；在扩展到8款应用、368项任务后，原子接口相较直接使用原生SDK让两种模型的成功率分别提高3.8和3.5个百分点，同时把在线token消耗降低约73%。进一步提供目标级命令后，两种模型的成功率又达到74.5%和67.4%，说明高层意图与底层原子能力可以形成互补。对做桌面Agent的团队来说，可发现性、操作粒度和结果可观察性可以直接用于桌面软件接口审计；不过不同类型软件能否稳定复现这些收益，仍需看全文和更广泛验证。

原文：A Decade in a Day: Synthesizing Agent-Native Interfaces from Human-Oriented Software Evolution

02 多模态 把「看什么」和「怎么读」一起优化

多模态Agent的能力上限，可能在模型开始推理前就已被部分决定。ViewCraft把证据界面与阅读流程作为一项技能共同演化：前者筛选、转换并组织原始观察，后者负责解释加工后的视图，失败轨迹则用于指导两者迭代。在8个基准上，它相较直接执行平均提升6.1分且全部取得增益；即使控制相同的输入token预算，优势依然存在。五个多源任务中，学习出的界面还比初始技能少用8%—15%的输入token，但这更像证据质量改善带来的结果，而不是单纯的上下文压缩。技能在不同执行模型之间迁移后仍优于直接执行，说明做多模态Agent时，值得把「如何构造证据」与推理策略放在同等位置。

原文：VIEWCRAFT: Evolving What Multimodal Agents See and How They Read It

03 机器人 固定模型预标完整轨迹语料可能造成监督滞后

多数既有方法先用固定模型标注完整轨迹语料再更新，这可能使生成的监督落后于演进中的策略。RSI-Nav把未标注轨迹拆成小批次，由当前模型生成指令、实际执行并按到达目标与路径效率筛选，随后立即更新模型，再处理下一批数据。导航与指令生成由同一个模型承担，使语言监督和行动能力能同步演进，并辅以空间理解数据增强推理基础。摘要报告其在R2R-CE和RxR-CE上的成功率分别达到68.6%和72.4%，同时提升了指令生成效用，但没有提供足够信息判断相对提升幅度。现有证据仍集中在导航基准，这套分片更新机制能否迁移到更开放的机器人任务，还需要进一步验证。

原文：Data-Centric Recursive Self-Improvement for Navigation via Policy-Synchronized Language-Action Dual Bootstrapping