课程简介

学习GUI智能体的Benchmark构建与强化学习，本质上是在构建三项核心能力：如何更全面和准确地评估GUI模型的能力，通过Benchmark客观评估不同模型和路线的适用性；模型解决真实场景下长程任务的能力，通过构建大规模真实场景下的任务和对应的虚拟环境，已经对应的奖励设置，让RL方法能够提升模型在业务场景下长程任务的成功率。

 GUI Agent 从简单的网页点击、表单填写，逐步走向浏览器信息获取、桌面软件操作以及跨系统业务流程执行。现阶段企业落地面临的核心问题，已经不只是模型“能否识别按钮并完成点击”，而是模型能否在动态页面、异常分支和长链路任务中保持稳定。当前 GUI Agent 的研究以“离线轨迹模仿和单步界面定位”，逐步转向“真实环境中的闭环学习”。

 本次分享将从训练数据的自动化生产，benchmark的构建，更真实虚拟环境的构建以及整体强化学习的整体pipeline进行剖析。让与会者能够更系统性地理解GUI Agent领域，有效应对现阶段该领域面临的挑战，以及从GUI Agent从环境构建，训练，评测多个维度进行拆分讲解，针对当下技术现状，着眼未来的发展趋势。

 课程收益

目标：

1、了解GUI Agent的行业需求，benchmark的构建，强化学习中真贴近真实场景的虚拟环境的构建。

2、学习GUI Agent在长程问题优化的主流方案。

 成功要点：

1、构建端到端丰富全面的benchmark，成为企业技术团队会用AI迈向能造AI的关键一步。

2、设计自动化，更加贴近真实场景，结果可验证的训练数据生成pipeline。

3、解决优化强化学习阶段奖励稀疏，采样低效的问题

 启示：

1、企业若能够建立更客观的 GUI Agent 能力评估体系，降低任务和训练数据的构建成本，并提高强化学习过程的可靠性。可以推动 GUI Agent 从简单界面操作演示，走向可评测、可训练和可应用的真实业务系统。

2、GUI发展从单环境走向跨平台通用，泛化能力将成为企业选型的核心指标。领域研究从下一步动作预测转向可靠执行、结果验证、执行效率、和可信性。未来状态跟踪、自我探索能力、GUI工具混合执行以及监督，都将是智能体在长程任务中的重要能力。

 受众人群

AI科学家、大模型研究员和技术负责人、资深算法专家、CTO、Loop技术开发应用人员、本体论研究者、GUI系统研发工程师、智能体Agent架构师以及其他对Agentic感兴趣的从业者。

课程周期

    0.5天（3H） 

课程大纲