Why Are GUI Agents Correct but Late? Decode on the Decision-Time Critical Path, Tested with Pre-Compiled Policy Trees

arXiv 论文 2607.28399v1 指出，GUI 代理经常因在决策时关键路径上进行昂贵的自回归解码，导致在瞬态 GUI 事件窗口关闭后才产生正确动作。为此，论文提出 Adaptive Anticipatory Policy Trees (AAPT)，在不修改底层模型的情况下，利用空闲屏幕期，由同一冻结多模态模型构建有界条件策略树，包含可观察守卫、预授权动作和分支特定截止时间，树的大小覆盖模型自身解码延迟。事件发生时，轻量级观察者将变更门控帧与预备分支匹配，立即执行动作，无需生成新文本。在预注册端点和精确 McNemar 检验的配对试验中，AAPT 在竞争决策窗口内将成功率从 0.50 提升至 0.79（p=1.8e-3），且无错误动作。开放循环和预测-重规划基线因仍在执行时解码而成功率为零。准备时间扫描显示，增益出现在基于延迟的树覆盖解码延迟之处。

AAPT 的核心思想是将决策时间从事件发生时转移到空闲屏幕期，通过预编译策略树来规避自回归解码的延迟。这暗示 GUI 代理的延迟瓶颈可能不在模型能力，而在推理架构。可验证的下一信号：AAPT 是否能在更复杂、非瞬态的 GUI 任务中保持增益，以及树构建开销是否随任务复杂度增长。