論文の概要: Correct Answers, Closed Gates: SolveBind for GUI Agents at the Verification Barrier

• arxiv url: http://arxiv.org/abs/2610.32223v1
• Date: Fri, 23 Oct 2026 06:27:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.408635
• Title: Correct Answers, Closed Gates: SolveBind for GUI Agents at the Verification Barrier
• Title（参考訳）: 正解, 閉門: 検証バリアにおけるGUIエージェントのためのゾルベード
• Abstract要約: 本稿では,階層的問題解決と実行監視を組み合わせたGUIエージェントフレームワークであるSolveBindを紹介する。 9つのCAPTCHAタスクファミリと9つのバックボーンモデルの中で、SolveBindは8つのバックボーンで最高成功率を達成した。 ペア化された GPT-5.5 分析では、MobileAgent は正しい答えを生成するが、90タスク中13タスクの動的検証に失敗し、SolveBind は7つのタスクで成功している。
• 参考スコア（独自算出の注目度）: 23.564044673484418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Websites and applications deploy CAPTCHAs and anti-automation mechanisms that use behavioral signals such as interaction trajectories and timing, not outcomes alone, to distinguish humans from automated agents. We call these protected GUI environments, where correctly solving a verification task is insufficient for end-to-end task completion. Agents must turn solver outputs into accepted interactions and adapt execution to runtime feedback under time constraints. We introduce SolveBind, a GUI-agent framework combining hierarchical solving with runtime supervision. A hierarchical solving tree decomposes verification into interdependent Perceive, Ground, Solve, Act, and Verify capabilities. A runtime supervisor grounds action commitments in tool-derived evidence, revises them as evidence arrives, and mediates execution under explicit recovery budgets. Across nine CAPTCHA task families and nine backbone models, SolveBind achieves the highest success rate on eight backbones, outperforming the strongest baseline by 13.3-34.5 percentage points. It achieves the highest success rate on all six AndroidWorld backbones. In a paired GPT-5.5 analysis, MobileAgent produces correct answers but fails dynamic verification on 13 of 90 tasks; SolveBind succeeds on seven of these tasks. With automatic submission, removing binding reduces success from 82.22% to 71.56% and increases latency and token usage. Recovery caps reduce execution cost with a small observed success trade-off: removing them raises success from 82.22% to 83.56%, while increasing latency and token usage to 3.7x and 2.4x their full-supervision values, respectively. These results support evidence-grounded execution control while identifying a success-cost trade-off in recovery and failure boundaries of heuristic submission rules.
• Abstract（参考訳）: ウェブサイトやアプリケーションはCAPTCHAや反自動化メカニズムをデプロイし、対話の軌跡やタイミングなどの行動信号を用いて人間と自動エージェントを区別する。 このような保護されたGUI環境は、検証タスクの正しい解決がエンドツーエンドのタスク完了に不十分である。 エージェントはソルバ出力を承認されたインタラクションに変換し、時間制約の下で実行時のフィードバックに適応させなければなりません。 本稿では,階層的解決と実行監視を組み合わせたGUIエージェントフレームワークであるSolveBindを紹介する。 階層的な解決木は、検証を相互依存の知覚、接地、解決、法、検証能力に分解する。 ランタイム管理者は、ツール由来のエビデンスにアクションコミットメントを根拠として、エビデンスが到着すると修正し、明確なリカバリ予算の下で実行を仲介する。 9つのCAPTCHAタスクファミリーと9つのバックボーンモデルの中で、ソルブバードは8つのバックボーンで最高成功率に達し、13.3-34.5ポイントで最強のベースラインを上回っている。 AndroidWorldのバックボーン6つの中で最も成功率が高い。 ペア化された GPT-5.5 分析では、MobileAgent は正しい答えを生成するが、90タスク中13タスクの動的検証に失敗し、SolveBind は7つのタスクで成功している。 自動でバインディングを削除することで、成功率は82.22%から71.56%に減少し、レイテンシとトークンの使用率が向上する。 取り外しは82.22%から83.56%に増加し、レイテンシとトークンの使用量は3.7倍と2.4倍に増加する。 これらの結果は、ヒューリスティックな申請規則の回復と失敗の境界における成功とコストのトレードオフを特定しつつ、エビデンスに基づく実行制御を支援する。

関連論文リスト

• SWE-Shift: Evaluating Coding Agents in Evolving Workspaces [59.99170893706881]
  ソフトウェア開発では、エージェントが動作している間、コード、依存関係、ランタイム状態、要件が変更される可能性がある。 我々は,このような中間実行変化下でのコーディングエージェント評価のベンチマークであるSWE-Shiftを紹介する。 クリーンな成功よりもシフトの少ない17のコーディングエージェントシステムを評価した。
  論文  参考訳（メタデータ） (2026-10-23T05:47:59Z)
• Knowing When to Stop: The Evidence-Action Gap in Coding Agents [76.92446812179517]
  コーディングエージェントはタスクを完了させるために訓練され、環境が完了を不可能にしている場合でも試し続けます。 ImpasseBenchを導入し、12の環境ブロッカーを他の方法で解決可能な修理タスクに注入する。 外部に必要なほぼすべての実行が十分な証拠を集めているのに、3分の1は予算を使い果たしている。
  論文  参考訳（メタデータ） (2026-10-22T20:45:47Z)
• VeriCUA: Learning Proactive Verification for Reliable GUI Agent Rewards [52.80093616378547]
  単試行で検証戦略を学習する積極的報酬エージェントであるVeriCUAを紹介する。 オンライン強化学習は、判決の正当性と効率の良いプローブの使用の両方を最適化する。 GPT-5.4を5.36ポイント上回り、プロブトークンは47.6%-59.8%減少し、1B VeriCUAも全ての審査員を上回る。
  論文  参考訳（メタデータ） (2026-10-19T14:17:33Z)
• AgentHorizon: Evaluating Agentic Judges for Long-Horizon Computer-Use Tasks [67.28108897589799]
  AgentHorizonは、1,373のコンピュータ利用タスクのベンチマークである。 同様の(しかし互換性のない)要求を完了したのと、成功した軌道を区別する能力について、審査員を評価した。 我々の最高のエージェント・ジャッジであるGPT-5.5は、AHサブセット上で80.9%のバランスの取れた精度を達成する。
  論文  参考訳（メタデータ） (2026-10-08T01:03:48Z)
• Loud Failures, Quiet Failures: Fault Detection and Recovery in Tool-Using Language Model Agents [0.0]
  我々は、ツールが明示的なエラーを返す場合の91.3%の試験において、エージェントが障害を問題として扱うことを示したが、その58.8%の試験では、それが妥当な間違った値を返す。 兄弟姉妹に対してペアを組むと(-9.3点、p .001)、変更計画がさらに(+10.4点、p .001)、回復は変化しない(p =.512)。 障害後、エージェントは同じツールに最大22.2%の試験で3回以上連続して戻るが、正確に同じ繰り返しはまれである。
  論文  参考訳（メタデータ） (2026-10-07T13:29:59Z)
• Grow the Harness, Not the Context: From Strategy-Free Scaffolds to Reusable Specialist Agents [40.22528682803753]
  大きな言語モデル(LLM)エージェントは、しばしば関連するタスクのストリームを処理するが、標準的なハーネスは、各タスクのコンテキスト内で同じ制御決定を再構築するようモデルに繰り返し要求する。 タスク固有のセマンティック推論のためのLCMコールを保存しながら、繰り返し制御を再利用可能なコードに変換することができるかどうかを検討する。 我々は,障害誘導型トレーニングパラダイムであるGrowing Harnessを紹介し,エージェント自身を戦略のない足場から学習する。
  論文  参考訳（メタデータ） (2026-09-22T17:40:45Z)
• Desktop-Delta Bench: Do Computer-Use Models Understand Desktop GUI Transitions? [3.9561795512466413]
  現在のベンチマークは、主にエンドタスクの成功または単一フレームグラウンドを測定する。 推論、リモート入力、アプリのレンダリング、スクリーンショットキャプチャが非同期であるため、これは難しい。 オフラインのステップレベルベンチマークであるDesktop-Delta Bench (DDB)を紹介した。
  論文  参考訳（メタデータ） (2026-07-28T17:49:51Z)
• VLAA-GUI: Knowing When to Stop, Recover, and Search, A Modular Framework for GUI Automation [98.38575149237442]
  VLAA-GUIは3つの統合コンポーネントを中心に構築されたモジュラーGUIフレームワークである。 必須完全性検証は、UIで観測可能な成功基準と検証を、各完了ステップで実施する。 強制的なループブレーカは、繰り返し失敗した後、多層切替インタラクションモードを提供する。
  論文  参考訳（メタデータ） (2026-04-23T07:42:37Z)

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。