Yong Li

Mobile GUI Agents powered by multimodal large language models (MLLMs) show promise in human-computer intelligence. However, current research primarily focuses on reactive task execution while lacking a comprehensive “understanding-prediction-execution” process for user intentions, which are the core requirements of active agents. In this paper, we propose the Act2Intention framework that builds an active mobile agent by integrating understanding, predicting user intentions, and executing decisions. Firstly, we constructed the Act2Intention Bench through collection and validated generation, comprising 72,511 intentions and over 700,000 actions across 52 apps, thereby establishing the first benchmark for evaluating proactive agents via continuous “intention-actions” trajectories. We further develop the Act2Intention Agent, achieving proactive services through Proactive-oriented Intention Understanding, Personalized Proactive Intention Prediction, and Experience-guided Intention Execution. Experimental results show that supervised fine-tuning on Act2Intention Bench yields absolute improvements of +32.0 Acc-S, +10.25 Acc-S, and +6.9 SSR points over non-fine-tuned counterparts under the same agent framework for intention understanding, prediction, and execution, respectively. This success underscores the necessity and value of the Act2Intention Bench, which establishes a standardized platform for developing and evaluating proactive agents and consequently paves the way for research on intention-driven human-computer interaction. To facilitate further research, we open-source our code and Act2Intention Bench at: npuNancy/Act2Intention.

عامل‌های رابط کاربری موبایل مبتنی بر مدل‌های زبانی بزرگ چندوجهی (MLLMs) نویدبخش پیشرفت در هوش انسان-رایانه هستند. با این حال، پژوهش‌های کنونی عمدتاً بر اجرای واکنشی وظایف تمرکز دارند و فاقد فرایند جامع «درک-پیش‌بینی-اجرا» برای نیت‌های کاربر هستند که از الزامات اصلی عامل‌های فعال به‌شمار می‌رود. در این مقاله، چارچوب Act2Intention را پیشنهاد می‌کنیم که با ادغام درک، پیش‌بینی نیت کاربر و اجرای تصمیمات، یک عامل فعال موبایل ایجاد می‌کند. نخست، Act2Intention Bench را از طریق گردآوری و تولید اعتبارسنجی‌شده ایجاد کردیم که شامل ۷۲٬۵۱۱ نیت و بیش از ۷۰۰٬۰۰۰ کنش در ۵۲ برنامه است و بدین ترتیب نخستین معیار برای ارزیابی عامل‌های پیش‌فعال از طریق مسیرهای پیوسته «نیت-کنش» را پایه‌گذاری کردیم. همچنین عامل Act2Intention را توسعه دادیم که خدمات پیش‌فعال را از طریق «درک نیت مبتنی بر پیش‌فعالیت»، «پیش‌بینی نیت شخصی‌سازی‌شده» و «اجرای نیت هدایت‌شده با تجربه» ارائه می‌دهد. نتایج تجربی نشان می‌دهد که تنظیم نظارت‌شده بر روی Act2Intention Bench بهبود مطلق +۳۲٫۰ Acc-S، +۱۰٫۲۵ Acc-S و +۶٫۹ SSR را نسبت به نسخه‌های بدون تنظیم در همان چارچوب عامل، به‌ترتیب در درک، پیش‌بینی و اجرای نیت به همراه دارد. این موفقیت بر ضرورت و ارزش Act2Intention Bench تأکید می‌کند که بستری استاندارد برای توسعه و ارزیابی عامل‌های پیش‌فعال فراهم می‌آورد و مسیر پژوهش در تعامل انسان-رایانه مبتنی بر نیت را هموار می‌سازد. به‌منظور تسهیل پژوهش‌های بیشتر، کد و Act2Intention Bench به‌صورت متن‌باز در npuNancy/Act2Intention ارائه شده است.