論文の概要: Decoupling What from Where: How Should a Small GUI Grounding Model Receive the Action Type?

• arxiv url: http://arxiv.org/abs/2610.07444v1
• Date: Mon, 05 Oct 2026 21:50:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.686881
• Title: Decoupling What from Where: How Should a Small GUI Grounding Model Receive the Action Type?
• Title（参考訳）: 分離 どこから:小さなGUIグラウンドモデルがアクションタイプを受信すべきか?
• Abstract要約: WildのAndroid版LoRAでQwen2-VL-2Bを微調整し、フラットなベースラインとマッチしたデータで型を供給する5つの方法を比較した。 5つのシード、エピソードクラスタリングブートストラップ、およびシードレベルのペアテストにより、混合ストリーム上のランキングが明確になる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A GUI agent decides which action to take and where to take it; we ask how a small grounding model should receive the action type. Fine-tuning Qwen2-VL-2B with LoRA on Android in the Wild, we compare a flat baseline with five ways of supplying the type under matched data, compute, and decoding: an auxiliary loss, a hard-routed action word, an additive learned embedding, a prepended learned token, and the type written into the prompt. With five seeds, an episode-clustered bootstrap, and seed-level paired tests, the ranking on a mixed stream is clear: the auxiliary loss, the additive embedding, and the prompt word each gain five to seven hit@0.10 points over the baseline, while hard routing and the prepended token are not distinguishable from it. Much of that gain is protection from a preprocessing choice of ours rather than a spatial prior. Our serializer clamps the off-screen touch point AITW records for type events to the origin; that class degrades the baseline's click grounding, and removing it lifts the baseline by nearly seven points, after which no mechanism's hit rate beats it and the intervals exclude a two-point effect, though the auxiliary loss still shortens the average miss; on a stream of taps and swipes none helps. Whether this generalizes beyond one serialization is open. For deployment, the pipeline's margin over the baseline with predicted rather than gold types is not established (+0.016, 95% interval [-0.017, +0.052]), and a wrong type collapses every model conditioned at inference. The prepended token does not help at the shared learning rate, where its rows barely move from initialization; trained ten times faster it reaches the level of the other three, with a margin three seeds do not establish. We also document a silent failure: injecting conditioning through inputs_embeds makes Qwen2-VL fall back to 1-D positions for image tokens, costing nine points.
• Abstract（参考訳）: GUIエージェントは、どのアクションを取るか、どのアクションを取るかを決めます。 WildのAndroid版では、Qwen2-VL-2BをLoRAで微調整し、フラットなベースラインと、マッチしたデータ、計算、復号化の5つの方法、補助的な損失、ハードロートなアクションワード、追加的な学習された埋め込み、事前学習されたトークン、そしてプロンプトに書き込まれた型を比較した。 5つのシード、エピソードクラスタリングブートストラップ、シードレベルのペアテストにより、補助的損失、付加的埋め込み、およびプロンプトワードそれぞれがベースライン上で5〜7の hit@0.10 ポイントを獲得し、ハードルーティングと予め設定されたトークンは区別できない混合ストリーム上のランクが明確になる。 その利益の多くは、空間的な前処理ではなく、私たちの前処理の選択から保護されるものです。 我々のシリアライザは、タイプイベントのオフスクリーンタッチポイントAITWレコードを起点にし、そのクラスはベースラインのクリックグラウンドを劣化させ、それを取り除くことでベースラインを7ポイント近く持ち上げる。 これが 1 つの直列化を越えて一般化するかどうかは開である。 デプロイメントでは、ゴールドタイプよりも予測されたベースラインに対するパイプラインのマージンは確立されていない(+0.016, 95% インターバル [-0.017, +0.052])。 予測されたトークンは、その行が初期化からほとんど移動しない共有学習速度では役に立たない。訓練された10倍の速度で他の3種のレベルに到達し、マージン3種の種子が確立されない。 入力_embedsを通して条件を注入することで、Qwen2-VLは画像トークンの1-D位置にフォールバックし、9ポイントのコストがかかる。

関連論文リスト

• DreamingGoose: Staged Distillation from Autoregressive Transformers to Bidirectional Recurrent Diffusion Language Models [41.99844472131922]
  我々はQwen3の教師を1.7Bと8Bで3段階に分けて、注意なし、双方向、ゲート・デルタ・ルール拡散学習者に変換する。 言語モデリングは部分的および非分配のみを転送する。 検索を学習するすべてのモデルは、検索エピソードに現れないトークンに対して0.000のスコアを獲得します。
  論文  参考訳（メタデータ） (2026-09-28T03:57:11Z)
• The Undetected Damage of Quantization on Retrieval and How to Fix It [51.02977749156532]
  分類精度を保った量子モデルでは,トップ1検索結果の14ドルから46%の値がまだ変化していることを示す。 この失敗を2つの上位モデルスコア間のギャップに結び付け、そのギャップを使用して、定量化された回答をいつ信頼するかを決めます。 この差が最大の丸め誤差の2倍を超える場合にのみ、トップ1結果が量子化を継続することが保証されていることを示す。
  論文  参考訳（メタデータ） (2026-09-21T09:26:35Z)
• Clean Engineering, Unstable Measurement: A Preregistered Reliability Failure of Black-Box LLM Observers on Shared Endpoints [4.41537705949485]
  言語モデル審査員は、トレーニングデータをゲートし、世代をスコアし、リーダーボードを駆動する。 我々は、事前登録された2つのキャンペーンにおいて、すべてのしきい値が事前に固定された状態で、その仮定を監査した。 52,988件の要求を監査し、スピアマン0.400で0.90と一致した。 証拠を3段階のスナップショット識別はしご、8つの設計ルール、レポートチェックリストに抽出する。
  論文  参考訳（メタデータ） (2026-09-03T17:59:43Z)
• Prompt-Model Interaction Reaches the Fixed Points: A deterministic, task-free structural readout -- and the factorizations of it that failed [0.0]
  ショートウィンドウ argmax map x_t+1 = argmax_x p(x | x_t-1, x_t) の固定点構造は96 から始まる。 6つのモデルのうち4つは、ウィンドウ16で完全に失われている。 第一に、相互作用は全等級でこの読み出しに達する:条件付けの9つのトークンは、そのほとんどにわたって固定点分数を動かす。
  論文  参考訳（メタデータ） (2026-08-21T17:25:18Z)
• In-Cell Learning: Deployed Language Models Can Learn New Knowledge Without Changing a Single Stored Bit [4.726337413307433]
  4ビットのリリースでは、各重みを整数コードと共有スケールとして格納し、格納された値の間に量子化器が捨てる間隔を残していることを示す。 私たちは、新しい知識をそのインターバルに書き込むパラダイムを、インセルラーニングと呼ぶ。 CellFillは、内部の低ランクの位置をベンダー自身の4ビットリリースでトレーニングすることで、構築によってパラダイムを実現する。
  論文  参考訳（メタデータ） (2026-08-21T08:49:07Z)
• Provenance, Not Behaviour: A Serialisation Artifact in Edge-IIoTset and a Leakage-Free Benchmark for Precision-Agriculture Intrusion Detection [0.0]
  Edge-IIoTsetは、IoTにおける機械学習侵入検出のベンチマークである。 そのパフォーマンスの多くは侵入検出ではないことが示されています。 AgriEdge:1,276,122行、完全な属性を持つ5つのデバイス、0.0288以上のクラスを分離する列がない。
  論文  参考訳（メタデータ） (2026-08-16T14:30:45Z)
• ShortOPD: Recovering Pruned LLMs with Short-to-Long On-Policy Distillation [72.54604107217669]
  textscpass@$k$は圧縮後にほぼ消滅するが、textscpass@$k$は繰り返しサンプリングの下でほぼ回復する。 回復は、密集したトークンレベルの監督の下で、圧縮されたモデル自身のオン政治状態で訓練すべきである。 我々は,教師が確認した反復接尾辞を検知する短時間のOPDスケジュールであるtextbfshortopdを提案する。
  論文  参考訳（メタデータ） (2026-07-14T17:50:50Z)
• Latent Undertow: How Ordinary Typos Break Probes [1.3636639880574484]
  タイプミスや句読点の欠如によって、ユーザの意図とモデルの反応は瞬時に変化しない。 しかし、モデルの隠れ状態を読むことによって悪意のあるプロンプトを検出するプローブは、異なるストーリーを語る:同じ編集で、摂動トークンで読み出しベクトルを43-56回転させ、10下流トークンで15%以下で崩壊する。 メッセージごとに3つの共通型を積み重ねると、シングルポジションのプロンプトインジェクションプローブのTPR@FPR$=1% が 12.0pp にカットされる。
  論文  参考訳（メタデータ） (2026-07-08T11:41:43Z)
• TARG: Training-Free Adaptive Retrieval Gating for Efficient RAG [46.122203287541005]
  トレーニングフリーのAdaptive Retrieval Gating (TARG) は、ベースモデルからの短い非遅延ドラフトのみを使用していつ取得するかを決定する、単発のポリシーである。 NQ-Open、TriviaQA、PopQAでは、TARGは一貫して精度と効率のフロンティアをシフトさせる。
  論文  参考訳（メタデータ） (2025-11-12T23:09:52Z)
• A ripple in time: a discontinuity in American history [49.84018914962972]
  歴史的データセットの時間的側面(言語拡張と無関係)と人格的側面(著者帰属)を明らかにするための新しいアプローチを提案する。 我々は過去42人のアメリカ合衆国大統領によって与えられた連邦の住所に対する我々のアプローチを例示する。
  論文  参考訳（メタデータ） (2023-12-02T17:24:17Z)
• WR-ONE2SET: Towards Well-Calibrated Keyphrase Generation [57.11538133231843]
  キーワード生成は、入力文書を要約する短いフレーズを自動的に生成することを目的としている。 最近登場したONE2SETパラダイムは、キーフレーズをセットとして生成し、競争性能を達成した。 本稿では, ONE2SET を拡張した WR-ONE2SET を提案する。
  論文  参考訳（メタデータ） (2022-11-13T09:56:24Z)

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。