论文页面 - MintAct：用于数字环境的统一视觉智能体

来源：https://huggingface.co/papers/2609.22083 作者：

,

,

,

,

,

,

,

,

,

,

,

,

摘要

我们推出MintAct，这是一系列视觉语言模型，统一了UI定位、跨移动、桌面和网页的多步导航以及视觉工具使用功能，并在2B、4B和8B规模下进行了训练。通过对环境、数据和训练方案的精心设计，MintAct模型在所有这些能力上都达到了与特定领域专家模型相当的性能。为此，我们开发了一个可扩展的环境和强化学习（RL）基础设施。在环境方面，我们在异构的特定领域后端上托管了数百个并发实例，用于轨迹数据收集和在线RL训练。为实现高效且可扩展的RL训练，一个异步框架对跨域训练分布保持显式控制，并在嘈杂的环境反馈和离策略漂移下保持稳定。实验结果表明，MintAct在同等模型规模下，在广泛的基准测试中取得了最先进的性能（在OSWorld-Verified上达到48.9）。

查看arXiv页面 (https://arxiv.org/abs/2609.22083) 查看PDF (https://arxiv.org/pdf/2609.22083) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.22083)

在您的智能体中获取本文：

hf papers read 2609.22083

没有最新的CLI？curl \-LsSf https://hf.co/cli/install.sh \| bash

引用本文的模型0

暂无模型链接本文

在模型的README.md中引用 arxiv.org/abs/2609.22083，即可从此页面链接至该模型。

引用本文的数据集0

暂无数据集链接本文

在数据集的README.md中引用 arxiv.org/abs/2609.22083，即可从此页面链接至该数据集。

引用本文的Space0

暂无Space链接本文

在Space的README.md中引用 arxiv.org/abs/2609.22083，即可从此页面链接至该Space。

包含本文的收藏0

暂无收藏包含本文

将本文添加到收藏夹 (https://huggingface.co/new-collection)，即可从此页面链接至该收藏。