面向桌面GUI智能体的动作诱导视觉差异反思

Planner-Operator-Reflector（POR）框架被广泛用于GUI智能体，通过模块化协作在复杂任务中维持目标对齐。然而，桌面GUI引入了一个关键挑战：大而密集的界面常常呈现细微或分散的状态变化，把大部分负担压在反思器（reflector）上——它必须比较动作前后的屏幕——而规划器和操作器仅基于单一状态推理。现有反思器把变化检测与结果验证压缩为一步，证据保持隐式，导致决策依据薄弱。为解决这一局限，我们提出证据优先反思（Evidence-First Reflection, EFR），一个两阶段反思器，显式解耦动作诱导视觉差异的提取与结果验证。EFR通过Set-of-Marks标注识别动作位置和候选变化区域，描述并过滤与动作相关的变化，再基于清洗后的证据做出最终判断。这种证据-推理解耦设计使反思更好地扎根于屏幕变化，同时降低视觉搜索复杂度与推理负担。在OSWorld-Verified和WindowsAgentArena上的实验表明，EFR将反思器准确率提升7.11%，并在两个基准上分别带来5.94%和4.95%的平均端到端任务成功率增益。