本文提出的ACTIONENGINE框架通过利用可更新的状态机图作为记忆，将GUI交互转变为确定性的图遍历，从而实现了程序化规划。现有的GUI代理通常通过逐步调用视觉语言模型（MLLM）来完成任务，这种方式在每一步都需要进行推理和行动，导致计算成本高、延迟大，并且由于缺乏对之前访问页面的持久记忆，准确性也受到限制。这个状态机图无法覆盖所有情况（不同客群看到的UI可能是不同的），且UI发生更新的时候，

策略网络（Actor）：输出动作分布的参数（连续动作空间为例）nn.ReLU(),nn.ReLU(),nn.Linear(hidden_dim, action_dim) # 输出动作均值（方差单独初始化）self.log_std = nn.Parameter(torch.zeros(action_dim)) # 动作方差的对数return dist.Normal(mean, std) # 返回正态

截断：只保留到“最后一次满足已完成前缀的检查点”为止的那段轨迹（确保留下的都是干净的、被验证过的正确片段）。任务修复/重写：把已经完成的子任务从原 DAG 路径里删掉，只保留未完成的后半段，形成“剩余任务指令 Irem”，并把“剩余任务 + 已验证前缀轨迹”作为一个训练样本保存。直观理解做对的部分留下来当标准答案；做错之后的部分不硬喂给模型；同时把“后续没做完的目标”单独生成一个新任务，方便后续继

符号含义pTp_TpT​教师模型（Teacher）的概率分布pθSp_\theta^SpθS​学生模型（Student）的概率分布，θ\thetaθ是可学习参数xxx输入序列yy1y2yLyyy1​y2​...yLy​​输出序列，共LyL_yLy​个词元yny_{<n}yn​第nnn个词元之前的所有词元（即前缀）VVV词汇表，共MMM个词元词元级散度定义（即衡量两个模型在序列yyyDpT∥pθSy

简单来说，SDFT 的核心思想是**“让模型自己教自己”**。由于现在的大语言模型都具备很强的“上下文学习能力（In-context Learning）”——只要你在提示词里给它看个好例子，它立马就能照猫画虎给出高质量回答。SDFT 就是利用了这个特点来搞训练。角色扮演（老师与学生）在训练时，把同一个大模型老师模型（Teacher）：给它输入“问题” + “专家提供的完美示范（Demonstrat

策略网络（Actor）：输出动作分布的参数（连续动作空间为例）nn.ReLU(),nn.ReLU(),nn.Linear(hidden_dim, action_dim) # 输出动作均值（方差单独初始化）self.log_std = nn.Parameter(torch.zeros(action_dim)) # 动作方差的对数return dist.Normal(mean, std) # 返回正态

本文提出的ACTIONENGINE框架通过利用可更新的状态机图作为记忆，将GUI交互转变为确定性的图遍历，从而实现了程序化规划。现有的GUI代理通常通过逐步调用视觉语言模型（MLLM）来完成任务，这种方式在每一步都需要进行推理和行动，导致计算成本高、延迟大，并且由于缺乏对之前访问页面的持久记忆，准确性也受到限制。这个状态机图无法覆盖所有情况（不同客群看到的UI可能是不同的），且UI发生更新的时候，

截断：只保留到“最后一次满足已完成前缀的检查点”为止的那段轨迹（确保留下的都是干净的、被验证过的正确片段）。任务修复/重写：把已经完成的子任务从原 DAG 路径里删掉，只保留未完成的后半段，形成“剩余任务指令 Irem”，并把“剩余任务 + 已验证前缀轨迹”作为一个训练样本保存。直观理解做对的部分留下来当标准答案；做错之后的部分不硬喂给模型；同时把“后续没做完的目标”单独生成一个新任务，方便后续继

论文在 Section 6 “Design Implications”中先给出 5 个面向未来“记忆增强 GUI agent”的架构方向，并在 Appendix A.8.4 将其扩展为更可执行的建议清单，并明确这些建议来自 Section 6 的失败模式分析与实证结果（如 Section 5.2）。同时在 Appendix A.8.1 给出更细的失败模式定义与代表性轨迹案例（Figures 9–1