以上相关技术汇聚就是目前比较火的“GUI Agent”，顺藤摸瓜的翻到了一篇关于移动端GUI Agent训练框架-（也是用于Agent Auto GLM训练的框架）。下面来看看都解决了什么问题。视觉语言模型（VLM）（如 Qwen2.5-VL、GLM-4.1V）让 “零样本交互网页 / 移动界面” 的 GUI Agent成为研究热点。这类Agent可通过感知屏幕截图 + 解析 UI 结构，自主执行

正如上期文章介绍的《》：GRPO的奖励信号坍缩（Reward Collapse）当GRPO应用于多奖励场景时，会导致：如下图左边例子，例如两个二元奖励（0/1）的场景中，GRPO会将（0,1）、（0,2）、（1,2）等不同奖励组合，统一映射为（-0.7071, 0.7071）的优势值，无法区分“满足1个奖励”和“满足2个奖励”的差异。：降低训练信号的分辨率，导致策略更新不准确、收敛次优，甚至早期训

本文主要看一下翻译模型的GRPO奖励函数设计。

随着大模型的发展，模型参数量暴涨，以Transformer的为组成成分的隐藏神经元数量增长的越来越多。因此，降低前馈层的推理成本逐渐进入视野。前段时间看到本文介绍的相关工作还是MNIST数据集上的实验，现在这个工作推进到BERT上面来了，再次引起兴趣记录一下。该工作将前馈神经基于二叉树结构进行改装，加速前向传播的速度，称为：快速前馈网络（FFF），然后应用FFF，取代BERT中的前馈网络（FF），

其更偏向于训练模型对于密集文本的感知能力。本文看一看英伟达出品的多模态大模型NVLM-1.0系列，虽然暂未开源，但该文章给出了NVLM的详细细节，值得一读。

前期《》专栏详细中介绍了文档智能解析详细pipline链路技术方案，如下图：现在来看一个新思路，指出pipline链路依赖大量标注数据、并且会出现错误传播问题，导致解析效果不佳，故提出一个基于布局强化学习（layoutRL）的多模态大模型的端到端的解析框架，通过强化学习（GRPO）的方式训练模型的布局感知能力。（ps：笔者看来，在通用场景下解析效果也能并不会有文中评价的那么好，但这个数据合成思路及

Agentar-Fin-R1 的开发pipline可概括为五个闭环阶段，每一阶段都有明确输入、处理逻辑和输出。

在大模型的生成过程中，部分原生的大语言模型未经过特殊的对齐训练，往往会“胡说八道”的生成一些敏感词语等用户不想生成的词语，最简单粗暴的方式就是在大模型生成的文本之后，添加敏感词库等规则手段进行敏感词过滤，但是在生成过程中，生成敏感词仍然耗费了时间和算力成本。本文以chatglm2-6B为例，通过自定义，实践大模型在生成过程中控制一些词语的生成。回到正题，如何自定义LogitsProcessor控制

本文主要看一下翻译模型的GRPO奖励函数设计。

快速看一下Kwai Keye-VL的技术报告，