TRACE：高效率 GUI Agents 的軌跡強健性與證據排序機制
為何重要
對於尋求長期記憶與高精準度的 GUI Agent 團隊而言，TRACE 解決了視覺軌跡儲存的高昂成本問題，使實作複雜、長任務自動化成為可行。這代表著 AI Agent 從實驗室走向商業化部署時，迎來了一個重要的基礎模型後最佳化方向，值得關注其是否能成為未來 agentic workflow 的標準效率破壞者。
針對 GUI Agents 在累積過程中導致資源爆炸的問題，研究團隊提出了 TRACE 框架來最佳化視覺 token 管理與記憶體使用。
- TRACE 是一個訓練後的框架，藉由「Trajectory-robust Admission and Coverage-aware Evidence ordering」機制，解決視覺證據剪枝不可逆且難以預測未來需求的困境。
- 該方法結合查詢獨立版面配置的互動先驗、指令相關性及特徵多樣性，對視覺證據進行排名以保留兼具未來效用與多樣性的資訊。
- 透過巢狀 token 順序與單調 KV（Key-Value）收縮技術，系統可將退役幀壓縮為緊湊的會話狀態，並在多種模型與六大 GUI benchmark 上驗證了其有效性。