Buchumschlag

MobileDreamer: Generative Sketch World Model for GUI Agent

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cao, Yilin, Zhong, Yufeng, Zeng, Zhixiong, Zheng, Liming, Huang, Jing, Qiu, Haibo, Shi, Peng, Mao, Wenji, Guanglu, Wan
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

OmniActor: A Generalist GUI and Embodied Agent for 2D&3D Worlds
von: Yang, Longrong, et al.
Veröffentlicht: (2025)

ScaleTrack: Scaling and back-tracking Automated GUI Agents
von: Huang, Jing, et al.
Veröffentlicht: (2025)

VinciCoder: Unifying Multimodal Code Generation via Coarse-to-fine Visual Reinforcement Learning
von: Zhao, Xuanle, et al.
Veröffentlicht: (2025)

TreeCUA: Efficiently Scaling GUI Automation with Tree-Structured Verifiable Evolution
von: Jiang, Deyang, et al.
Veröffentlicht: (2026)

UItron: Foundational GUI Agent with Advanced Perception and Planning
von: Zeng, Zhixiong, et al.
Veröffentlicht: (2025)

UITron-Speech: Towards Automated GUI Agents Based on Speech Instructions
von: Han, Wenkang, et al.
Veröffentlicht: (2025)

Agentic Reward Modeling: Verifying GUI Agent via Online Proactive Interaction
von: Cui, Chaoqun, et al.
Veröffentlicht: (2026)

Flexible Entropy Control in RLVR with a Gradient-Preserving Perspective
von: Chen, Kun, et al.
Veröffentlicht: (2026)

Metis-SPECS: Decoupling Multimodal Learning via Self-distilled Preference-based Cold Start
von: Chen, Kun, et al.
Veröffentlicht: (2025)

Reading or Reasoning? Format Decoupled Reinforcement Learning for Document OCR
von: Zhong, Yufeng, et al.
Veröffentlicht: (2025)

Breaking the SFT Plateau: Multimodal Structured Reinforcement Learning for Chart-to-Code Generation
von: Chen, Lei, et al.
Veröffentlicht: (2025)

OCRVerse: Towards Holistic OCR in End-to-End Vision-Language Models
von: Zhong, Yufeng, et al.
Veröffentlicht: (2026)

DocTron-Formula: Generalized Formula Recognition in Complex and Structured Scenarios
von: Zhong, Yufeng, et al.
Veröffentlicht: (2025)

Length-Unbiased Sequence Policy Optimization: Revealing and Controlling Response Length Variation in RLVR
von: Liu, Fanfan, et al.
Veröffentlicht: (2026)

Mobile-Agent-v3: Fundamental Agents for GUI Automation
von: Ye, Jiabo, et al.
Veröffentlicht: (2025)

SketchFlex: Facilitating Spatial-Semantic Coherence in Text-to-Image Generation with Region-Based Sketches
von: Lin, Haichuan, et al.
Veröffentlicht: (2025)

MobileGUI-RL: Advancing Mobile GUI Agent through Reinforcement Learning in Online Environment
von: Shi, Yucheng, et al.
Veröffentlicht: (2025)

Advancing Mobile GUI Agents: A Verifier-Driven Approach to Practical Deployment
von: Dai, Gaole, et al.
Veröffentlicht: (2025)

Mobile-Agent-v3.5: Multi-platform Fundamental GUI Agents
von: Xu, Haiyang, et al.
Veröffentlicht: (2026)

GUI-CEval: A Hierarchical and Comprehensive Chinese Benchmark for Mobile GUI Agents
von: Li, Yang, et al.
Veröffentlicht: (2026)

DeepSketcher: Internalizing Visual Manipulation for Multimodal Reasoning
von: Zhang, Chi, et al.
Veröffentlicht: (2025)

Faithful Mobile GUI Agents with Guided Advantage Estimator
von: Hu, Haowen, et al.
Veröffentlicht: (2026)

MobileRL: Online Agentic Reinforcement Learning for Mobile GUI Agents
von: Xu, Yifan, et al.
Veröffentlicht: (2025)

Chart-R1: Chain-of-Thought Supervision and Reinforcement for Advanced Chart Reasoner
von: Chen, Lei, et al.
Veröffentlicht: (2025)

SecAgent: Efficient Mobile GUI Agent with Semantic Context
von: Xie, Yiping, et al.
Veröffentlicht: (2026)

META-GUI: Towards Multi-modal Conversational Agents on Mobile GUI
von: Sun, Liangtai, et al.
Veröffentlicht: (2022)

SketchAgent: Language-Driven Sequential Sketch Generation
von: Vinker, Yael, et al.
Veröffentlicht: (2024)

Perceptual-Evidence Anchored Reinforced Learning for Multimodal Reasoning
von: Zhang, Chi, et al.
Veröffentlicht: (2025)

WorldDreamer: Towards General World Models for Video Generation via Predicting Masked Tokens
von: Wang, Xiaofeng, et al.
Veröffentlicht: (2024)

MobileUse: A GUI Agent with Hierarchical Reflection for Autonomous Mobile Operation
von: Li, Ning, et al.
Veröffentlicht: (2025)

Turing Test on Screen: A Benchmark for Mobile GUI Agent Humanization
von: Zhu, Jiachen, et al.
Veröffentlicht: (2026)

MobileFlow: A Multimodal LLM For Mobile GUI Agent
von: Nong, Songqin, et al.
Veröffentlicht: (2024)

MemGUI-Bench: Benchmarking Memory of Mobile GUI Agents in Dynamic Environments
von: Liu, Guangyi, et al.
Veröffentlicht: (2026)

MobileBench-OL: A Comprehensive Chinese Benchmark for Evaluating Mobile GUI Agents in Real-World Environment
von: Wu, Qinzhuo, et al.
Veröffentlicht: (2026)

STAGE: Stable and Generalizable GRPO for Autoregressive Image Generation
von: Ma, Xiaoxiao, et al.
Veröffentlicht: (2025)

Learning When to Look: A Disentangled Curriculum for Strategic Perception in Multimodal Reasoning
von: Yang, Siqi, et al.
Veröffentlicht: (2025)

UI-Mem: Self-Evolving Experience Memory for Online Reinforcement Learning in Mobile GUI Agents
von: Xiao, Han, et al.
Veröffentlicht: (2026)

PH-Dreamer: A Physics-Driven World Model via Port-Hamiltonian Generative Dynamics
von: Luan, Xueyu, et al.
Veröffentlicht: (2026)

Mobile GUI Agent Privacy Personalization with Trajectory Induced Preference Optimization
von: Lin, Zhixin, et al.
Veröffentlicht: (2026)

Code2World: A GUI World Model via Renderable Code Generation
von: Zheng, Yuhao, et al.
Veröffentlicht: (2026)