GUI-Eyes：面向GUI代理视觉定位的工具增强感知

视觉-语言模型（VLM）与强化学习（RL）的最新进展推动了GUI自动化的进步。然而，大多数现有方法依赖静态、一次性视觉输入与被动感知，缺乏自适应决定何时、是否以及如何观察界面的能力。我们提出GUI-Eyes，一个面向GUI任务中主动视觉感知的强化学习框架。为获取信息更丰富的观察，代理学会在两阶段推理过程中就是否以及如何调用裁剪、缩放等视觉工具做出策略性决策。为支撑这一行为，我们引入渐进式感知策略，把决策分解为粗探索与细粒度定位，由两级策略协调。此外，我们设计了面向工具使用的空间连续奖励函数，整合位置接近度与区域重叠，提供稠密监督，缓解GUI环境常见的奖励稀疏问题。在ScreenSpot-Pro基准上，GUI-Eyes-3B仅用3k标注样本即达到44.8%的定位准确率，显著超越监督与RL基线。这些结果凸显：由分阶段策略推理与细粒度奖励反馈赋能的工具感知主动感知，对构建稳健且数据高效的GUI代理至关重要。