AGENTREWARDBENCH: Evaluating Automatic Evaluations of Web Agent Trajectories
一篇有趣的工作，这里作者不关注gui agent的性能，而是去关注能不能对trace进行打分。作者找了一堆benchmark，一堆agent做出来了trace，然后让人打分，最后实现了一些rewarder，和人算一致性。
今天刚看了shunyu的the second half，感觉这类reward工作以后会越来越火的
Breaking the Data Barrier – Building GUI Agents Through Task Generalization
这是一篇探索gui agent model训练的工作，做得还挺solid的。作者纵向对比了不同类型的vlm训练数据对gui agent场景到底有什么影响，发现：math/code对gui有帮助，gui perception反而对gui agent没什么帮助。
我们之前做ui-tars，加入了教程数据，如果这篇对比一下gui tutorial的帮助就好了
