Thinking vs. Doing: Agents that Reason by Scaling Test-Time Interaction
Kumar参与的工作，在agent setting上，作者定义了两个tes time scaling的维度：单个step内的thought长度，还是单个step里thought少，但是step多（test-time interaction）？作者发现相比之下，后者的效果更好。由此，作者设计了rl算法，使得agent可以在训练过程中逐渐增加action budget
感觉好像claude讲过一遍这个故事了？
MCPWorld: A Unified Benchmarking Testbed for API, GUI, and Hybrid Computer Use Agents
这篇工作的思路比较有趣，作者认为：完成Agent任务时，既可以通过gui键鼠操作来完成，也可以通过MCP工作调用来完成。只是由于任务不同，天生对于不同的接口有不同的支持性。那么，能不能day1就搭建一个同时支持两种方案的评测集，这样就可以公平的对比MCP-Agent、GUI-Agent、Hybrid-Agent了呢？
GUI-Reflection: Empowering Multimodal GUI Models with Self-Reflection Behavior
一篇GUI Agent领域的工作，作者具体focus在reflection的行为上：当遇到问题时，能不能发现错误并纠正之前的问题。对于正常的human-sft数据，基本上trace里每个步骤都是正确的，这会导致模型根本没见过错误恢复的数据，online推理时一旦遇到问题，就难以纠正。作者想到的方法是，直接拿sft数据里，构造“犯错”的步骤，让模型学着去恢复。
