技術サマリー：VISTA (View-Consistent Self-Verified Training) による GUI グラウンディング

1. 問題提起

GUI グラウンディングは、自然言語による指示とスクリーンショットを、正確なクリック座標へとマッピングするタスクである。近年の研究では、ルールベースの「ボックス内の点（point-in-box）」報酬を用いて、このタスクに Group Relative Policy Optimization (GRPO) を適用しているが、著者らは決定的な失敗モードを特定している。それは、**報酬の退化（reward degeneracy）**である。

標準的な GRPO では、単一の固定されたスクリーンショット・ビューから、グループ内のロールアウト（試行）がサンプリングされる。これは、以下の2つの問題のあるシナリオを引き起こす：

1. 全失敗グループ (All-Fail Groups): 難易度の高いインスタンスにおいて、サンプリングされたすべてのロールアウトがターゲットを外れるため、グループ全体の報酬がゼロになる。
2. 全成功グループ (All-Success Groups): 容易なインスタンスにおいて、すべてのロールアウトがターゲットを捉えるため、グループ全体の報酬が最大値となる。

どちらの場合も、グループの平均 ($\mu$) と標準偏差 ($\sigma$) が崩壊し、すべてのサンプルに対して相対的なアドバンテージ ($A$) がゼロとなる。これにより、学習シグナルが消失してしまう。著者らは、固定ビューを用いた GRPO では、訓練グループのうち「情報量が多い（成功と失敗が混在している）」ものは 5% 未満であることを指摘している。さらに、GUI の座標はスクリーンショットの幾何学的構造と密接に結びついているため、あるビューで正しかった予測が、たとえターゲットが依然として可視状態であっても、クロップ（切り抜き）によって誤ったものになる可能性がある。標準的な GRPO は、比較グループ内で入力ビューを変化させないため、これらの幾何学的な感度をモデルに露呈させることができない。

2. 手法：VISTA

本論文では、情報量の多い比較グループを構築し、座標生成を安定させるために設計された、GRPO ベースのフレームワークである VISTA (View-Consistent Self-Verified Training) を提案する。これは主に2つのコンポーネントで構成される。

A. ビュー一貫性グループ・ロールアウト (View-Consistent Group Rollout)

単一の固定スクリーンショットから複数の補完（completion）をサンプリングする代わりに、VISTA は各 GRPO グループを、同一の GUI インスタンスに対する**複数のターゲット保存ビュー（target-preserving views）**から構築する。

• ターゲット保存クロップ (Target-Preserving Crops): 与えられたタスク $(I, q, B)$ に対して、システムは $K$ 個のクロップされたビューを生成する。各クロップは、ターゲットのバウンディングボックス $B$ を完全に含むことが保証されている。
• 正確なリマッピング (Exact Remapping): ターゲットボックスの座標は、新しいクロップされた座標フレームへと幾何学的に再マッピングされる。
• グループ構築: モデルは各ビューにつき $n$ 個の補完を生成する（ここで $K \times n = G$ となり、$G$ は総グループサイズとなる）。
• 利点: これにより、グループ内に意味的に等価な入力（同じ指示とターゲット）でありながら、幾何学的に異なるスクリーンショットが含まれることが保証される。これにより、単一のグループ内で混合した結果（成功と失敗の両方）を観察できる可能性が高まり、非ゼロの相対的アドバンテージが回復される。

B. 自己検証型クロスビュー・アンカー (Self-Verified Cross-View Anchor)

マルチビューのロールアウトは探索を改善する一方で、特に曖昧なビューにおいて座標生成の不安定性を招く可能性がある。これに対処するため、無条件の教師あり微調整（SFT）に戻ることなく、VISTA は自己検証型アンカーを導入する。

• 条件的活性化 (Conditional Activation): オラクル（正解）の回答（再マッピングされたターゲットボックスの中心）は、現在のポリシーがグループ内で少なくとも1つの最大報酬ロールアウトを既に生成した場合にのみ、学習シグナルとして導入される。
• ベースラインの除外 (Baseline Exclusion): オラクル回答は、グループの平均 ($\mu_m$) および標準偏差 ($\sigma_m$) の計算からは除外される。これは、独立した教師ありシグナルとして扱われる。
• メカニズム:
  • グループが「自己検証済み」（モデルによる成功ロールアウトが含まれている）である場合、モデルのみのベースラインから導出された正のアドバンテージと共に、アンカーが活性化される。
  • グループが「全失敗」（モデルによるロールアウトが成功していない）である場合、アンカーは活性化されない。これにより、モデルがそのインスタンスを解決する能力をまだ示していない段階で、オラクルから学習してしまうことを防ぎ、学習シグナルが無条件な模倣へと崩壊することを回避する。

C. 学習目的関数 (Training Objective)

最終的な損失関数は、モデルが生成したロールアウトに対する標準的なクリップ付き GRPO 目的関数と、（活性化している場合の）アンカーに対するアドバンテージ重み付き教師あり損失を組み合わせたものである：
$$\mathcal{L}_{VISTA} = -\frac{1}{G+1} \left[ \sum \ell_{clip} + \lambda_a \ell_{anchor} \right] + \beta \mathcal{L}_{KL}$$
アンカー損失は、グループが自己検証済みである場合にのみ計算され、ポリシーがすでに能力を示したときにのみ教師ありシグナルが安定化するように設計されている。

3. 主な貢献

1. ビュー一貫性グループ・ロールアウト: 単一の固定ビューではなく、同一インスタンスの複数のターゲット保存ビューからサンプリングするという、新しいグループ構築戦略。これにより、情報量の多いグループの割合が大幅に増加（<5% から ~20% へ）し、報酬の分散が回復される。
2. 自己検証型クロスビュー・アンカー: モデルがグループ内の少なくとも1つのビューで既に成功した場合にのみ、オラクルのガイダンスを注入する条件的安定化メカニズム。これにより、アンカーが GRPO ベースラインをシフトさせたり、情報のない「全失敗」グループを教師あり学習したりすることを防ぐ。
3. 包括的な検証: 5 つのベンチマーク (ScreenSpot-Pro, ScreenSpot-V2, MMBench-L2, OSWorld-G-R, OSWorld-G) および複数のモデルスケール (4B から 30B+) にわたる広範な実験。

4. 実験結果

論文では、Qwen3-VL バックボーン (4B, 8B, 30B-A3B) および Qwen3.5 初期化モデルにおける一貫した改善が報告されている。

• ScreenSpot-Pro の性能: VISTA は、小さなターゲットや高密度なインターフェースを特徴とするこの困難なベンチマークにおいて、精度を大幅に向上させている。
  • Qwen3-VL 4B: 55.5 から 63.4 へ向上。
  • Qwen3-VL 8B: 52.7 から 65.8 へ向上。
  • Qwen3-VL 30B-A3B: 53.7 から 67.0 へ向上。
  • Qwen3.5 35B-A3B: 標準的な GRPO と比較して、71.7 から 72.9 へ向上。
• 堅牢性 (Robustness): VISTA は、標準的な GRPO と比較して、より高い「最悪ビュー精度 (worst-view accuracy)」と低い「予測反転率 (prediction flip rate)」を示しており、幾何学的摂動に対する優れた安定性を証明している。
• アブレーション研究:
  • ビュー一貫性クロップを削除した場合（標準的な GRPO を使用）、性能が低下する。
  • 自己検証ゲートを削除した場合（無条件のオラクル注入を使用）、性能が著しく低下する（例：ScreenSpot-Pro において 64.3 から 57.8 へ低下）。これは、条件的活性化の必要性を裏付けている。
  • 両方のコンポーネントを組み合わせた場合に、最良の結果が得られる。

5. 重要性と主張

本論文は、VISTA が GUI グラウンディングにおける GRPO 適用の根本的なボトルネック、すなわちビュー不変の報酬退化による情報量の多い相対的アドバンテージの欠如に対処することを主張している。

• 設計フォーカスの転換: 著者らは、GUI グラウンディングを RL で向上させる鍵は、単に「どのようにクリックを報酬付けるか」ではなく、「どのように比較グループを構築するか」にあると論じている。意味論を保持しながらビューの幾何学を変化させることで、VISTA はポリシーに対し、特定のピクセル位置を記憶するのではなく、堅牢な座標生成を学習することを強制する。
• 模倣なしでの安定化: 自己検証型アンカーにより、モデルは探索を抑制する無条件な模倣学習に陥ることなく、グラウンドトゥルース（正解）のガイダンスから恩恵を受けることができる。
• 汎用性: この手法は異なるモデルスケールやバックボーンにおいても効果的であることが示されており、ビュー一貫性のあるグループ構築が、GUI グラウンディングタスクにおける汎用的な学習シグナルであることを示唆している。

著者らは、VISTA が、標準的な GRO が学習シグナルを提供できない困難なインスタンスにおいて、精度と堅牢性の両方を向上させると結論づけている。また、アクション可能/拒否の混合データセットに関する制限や、アグレッシブなクロップに対する最適化の感度についても言及しており、今後の課題として適応的なスケジューリングを挙げている。