論文の概要: LocalLSTC: A Long Short-Term Control Architecture for Locally Deployed GUI Agents

• arxiv url: http://arxiv.org/abs/2608.25777v1
• Date: Wed, 26 Aug 2026 13:20:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.842387
• Title: LocalLSTC: A Long Short-Term Control Architecture for Locally Deployed GUI Agents
• Title（参考訳）: LocalLSTC: ローカルデプロイGUIエージェントのための長期的短期制御アーキテクチャ
• Abstract要約: トレーニング不要なアーキテクチャであるLocalLSTCを導入し、時間的スコープによる制御を組織化し、永続的なクロスステップ状態を維持する。 長期制御は、アクティブなサブゴール、サブゴールアライメントのエビデンス、および相互作用間の実行時のフィードバックを維持し、短期実行は現在のステップに対する有界なコミットメントを実現している。 Qwen3.6-27Bでは、LocalLSTCはOSWorldで64.7%のSR-100、WindowsAgentArenaで65.3%に達し、両方のベンチマークで最強のローカル結果を上回った。
• 参考スコア（独自算出の注目度）: 13.261859864631063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern GUI-agent frameworks achieve strong desktop task performance with frontier API models, yet persistent control information often remains implicit in growing interaction trajectories. At each step, the planner reconstructs the active task stage, accumulated evidence, and runtime feedback before deciding the next action. This dependence becomes more pronounced under weaker local reasoning backbones. Across four representative state-of-the-art frameworks, replacing GPT-5 with Qwen3.5-9B reduces average OSWorld SR-100 from 60.9\% to 37.7\%. Trajectory annotation further identifies at least one control failure in 91.6\% of failed trajectories. To address this problem, we introduce LocalLSTC, a training-free architecture that organizes control by temporal scope, maintaining persistent cross-step state to guide short-term execution commitments. Long-Term Control maintains the active subgoal, subgoal-aligned evidence, and runtime feedback across interactions, while Short-Term Execution realizes bounded commitments for the current step. Long-to-Short Planning forms each commitment from persistent state, and Short-to-Long Control integrates execution outcomes back into that state for progress assessment, recovery, and termination. With Qwen3.6-27B, LocalLSTC reaches 64.7\% SR-100 on OSWorld and 65.3\% on WindowsAgentArena, outperforming the strongest prior local results on both benchmarks. Ablations further support contributions from mechanisms on both sides of execution. These findings identify temporal organization of control information as a distinct architectural dimension for locally deployed GUI agents.
• Abstract（参考訳）: 最新のGUIエージェントフレームワークは、フロンティアAPIモデルで強力なデスクトップタスクパフォーマンスを達成するが、永続的な制御情報は、対話の軌跡の増大において暗黙的に残ることが多い。 各ステップで、プランナーは、次のアクションを決定する前にアクティブなタスクステージ、エビデンス、実行時のフィードバックを再構築する。 この依存は、より弱い局所的推論バックボーンの下でより顕著になる。 GPT-5をQwen3.5-9Bに置き換えた4つの最先端フレームワークは、平均的なOSWorld SR-100を60.9\%から37.7\%に下げる。 トラジェクトリアノテーションはさらに、91.6\%の障害の少なくとも1つの制御障害を識別する。 この問題に対処するために,時間的スコープによる制御を組織化し,短期的な実行コミットメントを導くために,永続的なクロスステップ状態を維持する,トレーニング不要なアーキテクチャであるLocalLSTCを導入する。 長期制御は、アクティブなサブゴール、サブゴールアライメントのエビデンス、および相互作用間の実行時のフィードバックを維持し、短期実行は現在のステップに対する有界なコミットメントを実現している。 ロング・トゥ・ショート計画(Long-to-Short Planning)は、各コミットメントを永続状態から形成し、ショート・トゥ・ロング・コントロール(Short-to-Long Control)は、実行結果をその状態に統合し、進捗評価、リカバリ、終了する。 Qwen3.6-27Bでは、LocalLSTCはOSWorldで64.7\% SR-100、WindowsAgentArenaで65.3\%に達し、両方のベンチマークで最強のローカル結果を上回った。 アブレーションは、実行の両側のメカニズムからのコントリビューションをさらに支援します。 これらの知見は,制御情報の時間的組織化を,ローカルにデプロイされたGUIエージェントの異なるアーキテクチャ次元として認識している。

関連論文リスト

• StructAgent: Harness Long-horizon Digital Agents with Unified Causal Structure [29.25570731801935]
  StructAgentは、コンパクトで検証可能なタスク進捗を維持するための状態中心のフレームワークである。 明確な進捗チェックポイント、エビデンス駆動のタスク補完、ターゲットとする障害回復、ツールサポートされた実行を可能にします。 デスクトップ環境を超えてMinecraftに一般化し、私たちのデザインの汎用性を実証します。
  論文  参考訳（メタデータ） (2026-07-13T10:48:25Z)
• A Formal Hierarchical Architecture for Agentic Orchestration with Stack-Based Execution and Lazy Discovery [5.106901034158075]
  本稿では,エージェントオーケストレーションのための階層的,スキルベースのアーキテクチャを提案する。 機能はルートツリーとして構成され、内部ノードがルーティング決定を行い、リーフノードが決定論的タスクを実行する。 グローバルメモリをローカライズされたスタックフレームに置き換えることで、ある実行ブランチからの出力が別の実行ブランチにリークすることを防ぐ。
  論文  参考訳（メタデータ） (2026-07-13T06:15:51Z)
• A Task-State Representation for Long-Horizon Mobile GUI Agents [53.359524744953575]
  Task-State Representation (TSR)は、感覚入力からタスク状態を明示的に分離する、トレーニング不要のフレームワークである。 4つのモバイルGUIベンチマークによる実験では、TSRの有効性が検証され、成功率が12ポイントまで向上した。
  論文  参考訳（メタデータ） (2026-07-01T06:37:21Z)
• StainFlow: Entity-Stain Tracking and Evidence Linking for Process Rewards in GUI Agents [67.03593791535786]
  強化学習(Reinforcement Learning, RL)は、長期のデジタル環境においてGUIエージェントを改善するための有望なアプローチである。 この問題を軽減するため、最近の研究はプロセス・リワード・モデル(PRM)を導入している。 PRMは、グローバルマイルストーン検証やローカルステップレベルの評価を通じて、よりきめ細かいトレーニングフィードバックを提供する。 本稿では,GUIエージェントのためのエンティティ・スタンフロープロセス報酬モデルであるStainFlowを提案する。
  論文  参考訳（メタデータ） (2026-06-05T08:17:28Z)
• Beyond Semantic Organization: Memory as Execution State Management for Long-Horizon Agents [18.30583250316923]
  LLMベースのエージェントは、相互依存的な決定によって、ますます長い水平タスクに取り組む。 既存のRAGとエージェントメモリシステムは、意味的類似性によって履歴を整理し、決定時にコンテンツ関連エントリを取得する。 MAGE(Memory as Agent-Guided Exploration)は,階層的な状態木にインタラクションを格納するアクティブな実行状態マネージャである。
  論文  参考訳（メタデータ） (2026-06-04T12:26:42Z)
• ClawForge: Generating Executable Interactive Benchmarks for Command-Line Agents [59.626170560327274]
  textbfClawForgeは、ステートコンフリクト下で実行可能なコマンドラインカテゴリのためのジェネレータベースのベンチマークフレームワークである。 私たちはこのフレームワークをClawForge-Bench(17のシナリオ、6の能力カテゴリ)としてインスタンス化します。
  論文  参考訳（メタデータ） (2026-05-13T21:34:08Z)
• Step-level Optimization for Efficient Computer-use Agents [51.29573359027217]
  我々は、強力なコンピュータ利用エージェントは、実際は高価で遅いと論じている。 本稿では,コンピュータ利用エージェントのためのイベント駆動ステップレベルカスケードを提案する。
  論文  参考訳（メタデータ） (2026-04-29T19:59:36Z)
• AsyncVLA: An Asynchronous VLA for Fast and Robust Navigation on the Edge [49.66156306240961]
  高レイテンシは制御ループを壊し、リアルタイムデプロイメントでは安全でない強力なモデルをレンダリングする。 リアクティブ実行からセマンティック推論を分離する非同期制御フレームワークであるAsyncVLAを提案する。 AsyncVLAは、最先端のベースラインよりも40%高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-13T21:31:19Z)
• ANCHOR: Branch-Point Data Generation for GUI Agents [52.22377425487]
  デスクトップ環境向けのエンドツーエンドGUIエージェントは、大量の高品質なインタラクションデータを必要とする。 本稿では,拡張フレームワークであるAnchorについて紹介する。このフレームワークは,小規模で検証済みのシードデモから,スケーラブルなデスクトップ監視をブートストラップする。 OSWorldとWindowsAgentArenaの標準デスクトップベンチマークの実験では、拡張されたコーパスに微調整されたモデルが一貫した改善を実現している。
  論文  参考訳（メタデータ） (2026-02-06T19:55:26Z)
• AgentProg: Empowering Long-Horizon GUI Agents with Program-Guided Context Management [24.465443389008055]
  AgentProgはエージェントコンテキスト管理のためのプログラム誘導型アプローチである。 インタラクション履歴を変数と制御フローを備えたプログラムとして再構成する。 AndroidWorldと拡張ロングホライゾンタスクスイートの実験では、AgentProgが最先端の成功率を達成したことが示されています。
  論文  参考訳（メタデータ） (2025-12-11T07:37:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。