論文の概要: Jev-Mobile: Jev as an Executor for Mobile GUI Agents

• arxiv url: http://arxiv.org/abs/2609.30186v1
• Date: Thu, 24 Sep 2026 17:30:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.16992
• Title: Jev-Mobile: Jev as an Executor for Mobile GUI Agents
• Title（参考訳）: Jev-Mobile: モバイルGUIエージェントのエグゼクタとしてのJev
• Abstract要約: 本稿では,このパラダイムを低周波VLM計画と高周波軽量実行にシフトさせるJev-Mobileを紹介する。 Jev-Mobileは79%のタスク成功を達成し、SeeeAct-Vは78%、Step-wise VLMベースラインは84%だった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Vision-language models (VLMs) have become a common foundation for autonomous mobile GUI agents, but most existing systems rely on the VLM for both planning and action grounding at nearly every interaction step, leading to substantial latency and model-serving cost. We introduce Jev-Mobile, which shifts this paradigm to low-frequency VLM planning and high-frequency lightweight execution: the VLM specifies local goals, the accessibility tree defines a structured executable action space, and Jev, a fast typed decision model, repeatedly selects actions within this space. This design allows multiple GUI actions to be executed under a single VLM decision, reducing expensive VLM inference while preserving adaptive interaction. On the full AndroidWorld task suite, Jev-Mobile achieves 79% task success, compared with 78% for SeeAct-V and 84% for a Step-wise VLM baseline. Among successful trajectories, it reduces mean end-to-end execution time by 32.7% and mean model API cost by 73.4% relative to Step-wise VLM. These results show that decoupling high-level VLM reasoning from low-level action execution can substantially improve mobile GUI agent efficiency while maintaining competitive task performance.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、自律的なモバイルGUIエージェントの共通基盤となっているが、既存のシステムのほとんどは、ほぼすべてのインタラクションステップに根ざした計画とアクションの両方にVLMを頼っている。 本稿では、このパラダイムを低周波なVLM計画と高周波の軽量実行にシフトさせるJev-Mobileを紹介し、VLMは局所的な目標を規定し、アクセシビリティツリーは構造化可能なアクション空間を定義し、Jevは高速型決定モデルであり、この分野におけるアクションを繰り返し選択する。 この設計により、1つのVLM決定の下で複数のGUIアクションを実行することができ、適応的な相互作用を保ちながら高価なVLM推論を削減できる。 完全なAndroidWorldタスクスイートでは,SeeAct-Vが78%,VLMベースラインが84%に対して,Jev-Mobileが79%のタスク成功を達成した。 成功した軌道の中では、平均エンドツーエンドの実行時間を32.7%削減し、平均モデルAPIコストをStep-wise VLMと比較して73.4%削減する。 これらの結果から,低レベルの動作実行から高レベルのVLM推論を分離することで,競争力のあるタスク性能を維持しつつ,移動体GUIエージェントの効率を大幅に向上させることができることがわかった。

関連論文リスト

• MultiUAV-Plat: An LLM-Oriented Platform, Benchmark and Framework for Multi-UAV Collaborative Task Planning [4.712457848623237]
  大規模言語モデル(LLM)は、ハイレベルなロボットタスク計画のための有望なインターフェースを提供する。 既存のUAVシミュレータは主に力学、知覚、低レベル制御に重点を置いている。 既存のLLMエージェントは、部分観測性のような空中ロボティクスの制約をほとんど捉えない。 マルチUAVタスク計画のための軽量で使いやすいシミュレーションプラットフォームであるMultiUAV-Platを提案する。
  論文  参考訳（メタデータ） (2026-06-30T03:02:12Z)
• Hi-Agent: Hierarchical Vision-Language Agents for Mobile Device Control [72.43808515668947]
  モバイル制御のためのトレーニング可能な階層型視覚言語エージェントであるHi-Agentを紹介する。 Hi-Agentは高レベルの推論モデルと、共同最適化された低レベルのアクションモデルを備えている。 Hi-Agentは、Android-in-the-Wild(AitW)ベンチマークで、新しいState-Of-The-Art(SOTA)87.9%タスクの成功率を達成した。
  論文  参考訳（メタデータ） (2025-10-16T07:38:21Z)
• Building a Stable Planner: An Extended Finite State Machine Based Planning Module for Mobile GUI Agent [13.259836345131525]
  タスク実行において視覚言語モデル(VLM)を誘導する実行計画を生成するための,プラグアンドプレイ計画モジュールであるSPlannerを提案する。 SPlannerは、Qwen2.5-VL-72BをVLMとして組み合わせた場合、63.8%のタスク成功率を達成した。
  論文  参考訳（メタデータ） (2025-05-20T09:45:55Z)
• Guiding VLM Agents with Process Rewards at Inference Time for GUI Navigation [101.09478572153239]
  本稿では,GUIナビゲーションにおける報酬モデルと推論時の制御により,VLMエージェントをプロセス監視で誘導する手法を提案する。 このガイダンスにより、VLMエージェントは各推論ステップでのアクションを最適化し、静的環境と動的環境の両方のパフォーマンスを改善することができる。
  論文  参考訳（メタデータ） (2025-04-22T17:52:42Z)
• CHOP: Mobile Operating Assistant with Constrained High-frequency Optimized Subtask Planning [18.826366389246385]
  制約付き高周波最適化計画(CHOP)を用いた新しいモバイルアシスタントアーキテクチャを提案する。 提案手法は,人計画サブタスクをベースベクトルとしてGUIシナリオ計画におけるVLMの欠如を克服する。 当社のアーキテクチャを20アプリにわたる英語と中国語のコンテキストで評価し、有効性と効率の両面で大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-03-05T18:56:16Z)
• Vision-Language Model Selection and Reuse for Downstream Adaptation [48.6730325059219]
  本稿では、モデルラベル学習(MLL)と呼ばれる、下流タスクのためのVLMの選択と再利用のための新しいパラダイムを提案する。 モデルラベリングプロセスは目標タスクに依存しないため,提案手法は計算効率が高く,成長可能である。
  論文  参考訳（メタデータ） (2025-01-30T11:10:46Z)
• VLsI: Verbalized Layers-to-Interactions from Large to Small Vision Language Models [84.84277196012907]
  VLsI: Verbalized Layers-to-Interactions, a new VLM family in 2B and 7B model size。 GPT-4Vよりも優れた性能向上(2Bは11.0%、7Bは17.4%)を達成した。
  論文  参考訳（メタデータ） (2024-12-02T18:58:25Z)

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。