AI 编程实时动态与要闻

微软亚洲研究院（MSRA）研究团队在 arXiv:2610.26828 正式发布并开源通用智能体世界模型 WildAWM（MSR-Orchard/WildAWM）。针对当前跨平台 GUI 与网页浏览智能体（Computer-Use Agents）在训练和评测中高度依赖昂贵、慢速且不可撤销的真实物理沙盒环境的痛点，WildAWM 首创可适应野外复杂异构环境的多模态自回归世界模型架构。模型能够在接收任意智能体动作（点击、输入、滚动）后，极其逼真地预测网页与桌面操作系统下一帧的高保真视觉状态演化与 DOM 结构变化，成功替代物理沙盒，为大规模自主智能体的离线强化学习与安全预演树立了全新基座。

查看大图

阿里巴巴与多所高校科研团队在 arXiv:2610.26203 中提出面向移动端与桌面全模态图形界面智能体的革新架构 FocusGUI。针对现有多模态 GUI 智能体在处理包含连续高频截图、同步音频流、交互历史与设备状态的庞大输入时，极易因信息瞬态冗余陷入“时序干扰（Sequential Distraction）”、产生复合决策错误的问题，FocusGUI 提出了基于动作充分投影与自适应信道分解的动态聚焦机制。在覆盖 29 款主流 APP、2572 个真实操作步骤的 OmniGUI 基准上，FocusGUI 将 Qwen2.5-Omni 等四大开源底座的类型匹配率（Type Match）从 31.0% 大幅翻倍提升至 64.2%，精确匹配率从 11.2% 飙升至 33.5%。

查看大图

近期兴起的像素级世界模型（Pixel-space World Models）试图通过预测执行后的未来屏幕画面再反向选动作，但在 GUI 环境中面临双重困境：全屏像素重构计算成本极高，且极易触发“恒等捷径”（Identity Shortcut，即预测画面倾向于维持原样而非体现动作引发的变化）。KAIST 等团队提出首个专为 GUI 智能体打造的隐空间世界动作模型（Latent World Action Model）：将预测目标从全屏像素渲染转移至动作引发的隐空间动态转移，引入动作选择与预测转移双头架构及动作感知对比学习。实验显示，在线任务成功率暴增 40.6%，同时将推理延迟大幅压缩了 98.9%。

查看大图