AAAI 2026 Oral｜InfiGUI-G1模型来了，刷新GUI Grounding SOTA

来源：市场资讯

（来源：机器之心Pro）

随着多模态大语言模型（MLLM）的飞速发展，能够像人类一样通过视觉输入操作图形用户界面（GUI）的智能体（Agent）正逐渐成为现实。然而，在通往通用计算机控制的道路上，如何让模型精准地将自然语言指令对应到屏幕上的具体元素 —— 即 GUI Grounding 任务，依然是一大难题。

现有的方法，特别是基于验证奖励的强化学习（RLVR），虽然在提升 “指得准”（空间对齐）方面表现出色，却往往在 “指得对”（语义对齐）上遭遇瓶颈。模型常常陷入 “自信陷阱”，在复杂的语义场景下无法通过有效探索找到正确的功能图标。

针对这一痛点，来自浙江大学、香港理工大学及 InfiX.ai 的研究团队提出了一种全新的自适应探索策略优化框架（AEPO），并推出了InfiGUI-G1系列模型。该模型通过多答案生成与自适应奖励机制，彻底打破了传统 RLVR 的探索瓶颈。仅凭 3B 和 7B 的参数量，InfiGUI-G1 便在多个高难度 GUI 基准测试中刷新了 SOTA，部分指标甚至大幅超越了闭源模型。

本文将深入介绍这项被 AAAI 2026 接收为 Oral 的工作，解读其如何通过 “学会探索” 来实现更精准的 GUI 语义理解。

从 “空间对齐” 到 “语义对齐”：被忽视的探索瓶颈

GUI Grounding 任务的核心是将自然语言指令（如 “打开相机”）映射到屏幕上的特定元素坐标。研究团队指出，这一任务可以解构为两个正交的维度：

1. 空间对齐（Spatial Alignment）：能否精确地定位到元素（即 “指得准”）。

2. 语义对齐（Semantic Alignment）：能否识别出功能正确的元素（即 “指得对”）。

现有的 RLVR 方法（如 Naive RLVR）虽然能通过优化坐标生成来提升定位精度，但在面对语义模糊或复杂的指令时却显得力不从心。

例如，当指令是 “使用相机搜索物体” 时，屏幕上可能同时存在普通的 “相机应用” 和具有视觉搜索功能的 “Google Lens”。缺乏深度语义理解的模型往往会自信地死磕 “相机应用” 图标。由于传统 RL 依赖当前策略采样，模型会不断重复这个高置信度的错误，陷入“自信陷阱”（Confidence Trap），从而无法发现真正正确的 “Google Lens” 图标，导致无法获得修正语义误解所需的学习信号。

GUI Grounding 的主要失败模式： (a) 空间对齐失败，(b) 语义对齐失败

InfiGUI-G1：自适应探索策略优化（AEPO）

为了解决这一探索效率低下的问题，InfiGUI-G1 引入了AEPO（Adaptive Exploration Policy Optimization）框架。与传统的单次回答生成不同，AEPO 旨在通过更广泛且高效的探索来捕捉低概率但正确的选项。

AEPO 框架由三个协同工作的核心组件构成：

1.多答案生成机制（Multi-Answer Generation）传统的 RL 方法通常只采样一个动作，一旦模型 “固执己见” 地选错，梯度的学习信号就会消失。AEPO 强制模型在一次前向传递中生成 N 个候选坐标点。这一机制迫使模型跳出单一的高置信度预测，去探索策略分布长尾中的可能性，从而大幅增加了发现正确答案（如上述例子中的 Google Lens）的概率。

2.自适应探索奖励（Adaptive Exploration Reward, AER）仅仅生成多个答案是不够的，如何评价这些答案的质量至关重要。研究团队基于效率第一性原理（效率 = 效用 / 成本）设计了 AER 函数。

3.共线惩罚（Collinear Penalty）为了防止模型通过生成近似直线的点来 “作弊”（简单的线性扫描策略），研究引入了共线惩罚。如果生成的多个候选点在几何上近似共线，将被视为低质量探索并受到严厉惩罚。这强制模型在语义空间而非单纯的几何空间中进行多样化探索。

AEPO 与 Naive 强化学习基准方法的对比

实验结果：小参数量实现性能越级

研究团队在 MMBench-GUI、ScreenSpot-Pro、UI-Vision 等五个极具挑战性的基准上对 InfiGUI-G1（3B 和 7B 版本）进行了全面评估。

1.综合性能全面领先：在 MMBench-GUI 基准测试中，InfiGUI-G1-7B 在 Windows、iOS、Android 等多个平台上的表现均刷新了开源模型的最佳成绩。值得注意的是，InfiGUI-G1-7B 在部分指标上甚至优于参数量大得多的 Qwen2.5-VL-72B 和闭源模型 GPT-4o。

2.攻克高难度语义理解任务ScreenSpot-Pro 基准专门区分了文本类（Text）和图标类（Icon）任务。结果显示，InfiGUI-G1 在更依赖语义理解的 “图标” 任务上提升尤为明显。这直接证明了 AEPO 策略有效解决了语义对齐的瓶颈，让模型真正 “看懂” 了抽象图标背后的功能含义，而不仅仅是进行简单的文本匹配。

3.让 “不可学习” 变得 “可学习”为了验证 AEPO 是否真的解决了探索难题，研究团队将样本按难度分为简单、中等和困难。实验发现，InfiGUI-G1 在 “困难” 样本（即基座模型几乎无法答对的样本）上的提升最为巨大，相对 Naive RLVR 基线提升了超过60%。这意味着 AEPO 成功挖掘出了那些以往因缺乏探索而被模型 “放弃” 的长尾知识。

ScreenSpot-Pro 基准测试的性能对比

总结与展望

InfiGUI-G1 的成功表明，GUI 智能体的性能瓶颈不仅仅在于视觉识别能力，更在于如何通过有效的强化学习策略来解决语义对齐问题。通过引入自适应探索机制，InfiGUI-G1 以极高的数据效率和较小的模型规模，实现了超越大模型的 GUI Grounding 能力。这项工作为未来开发更通用、更智能的 GUI 交互助手提供了坚实的技术基础。

目前，InfiGUI-G1 的代码、模型权重及相关资源已在 GitHub 开源，欢迎社区进一步研究与使用。