STP-GUI：面向Web-GUI智能体的空间感知Token剪枝框架

发生了什么

据arXiv cs.CV论文《STP-GUI: Spatially-Aware Token Pruning for Efficient Web-GUI Agents》介绍，研究者提出STP-GUI框架，旨在解决视觉语言模型在Web-GUI交互中因高分辨率截图和多轮历史导致的推理开销问题。该框架采用查询引导的Token剪枝策略，在激进降低Token数量的同时保持空间连贯性，以保留按钮、图标等GUI元素的结构完整性。实验显示，在Online-Mind2Web基准测试中，当Token保留率为21%时，STP-GUI保留了77.7%的全Token性能，同时将推理延迟降低31%，FLOPs减少57%。该方法在Android in the Wild上也显示出向移动GUI环境迁移的潜力。