通过UI轨迹识别用户的需求。

这篇论文同样聚焦于UI agent，只是思路比较特别。他们想要通过训练agent通过用户的行为轨迹反推出他们想要干什么的能力来锻炼agent识别，理解，使用UI的能力。同时这个训练项目本身也有一定的实际意义，可以把用户的意图记录下来哪天用来预测一下用户需要什么的（想打广告？）

同样的一组动作，用户可能会有很多种意图。这里是让模型去预测最可能的一种。

那么项目组是如何判定agent给出的用户意图与数据集里人工给出的意图一致呢？：

首先，论文假设数据集给出的UI轨迹是完全的，用户的目的已经达到了。因此，假如agent给出的用户意图是UI轨迹中还没有完成的事，那就是错的。

论文把用户的意图分为两类：寻找信息和做出改变。做出改变类型的任务意图就是要完成特定需求，，寻找信息类型的任务就是要给出用户需要的关键信息。

接下来是判断agent的描述和答案的匹配标准。首先我们要解释“满足”是什么意思。A满足B代表完成任务A那么任务B也完成了。可以理解为，A是一个描述更加详细的任务。假如agent的任务描述和答案相互满足，这当然是最好的（注意是在UI环境下，例如A任务说"大"，B任务说“100”，要是UI认为100就是大，大就是100，它们也是等价的）。假如是一方满足另一方（也就是agent的描述太宽泛或太详细）那就叫部分满足。

事实上，该项目的人工审核的时候就是按照两个标准判断的：1是agent给出的用户意图是否满足标准答案，2是agent给出的是否和标准答案互相匹配。（可以看到项目组是比较倾向于让agent往详细了描述的，毕竟特别详细有一点奖励，太宽泛就完全没有了）

同时，该项目也有机器审核。这里使用了GPT4o,评价标准和人工一样。

最后在GPT4,Gemini 1.5pro,和人身上做了实验，表现是由坏到好。大家的错误主要集中在输出结果太宽泛，要么就是有误解（比如“选择评价最高的电影”理解为“选择《黑暗骑士》”）。而且fewshot表现和zeroshot差不多，可能是fewshot之后上下文信息太多了，模型把握不住。

感觉这种错误可以理解啊，这些行为本来就是摸棱两可的，不一定说一定要一模一样，言之有理即可吧。要么就在数据集里加上一大堆可能的意图，只要模型答对其中一个就行。还可以为不同的合理程度做评分，感觉比单一标准更好，这主要是数据集的锅。

当前的工作还有一些限制：语言局限，实际情况中用户可能会有多个意图或者原本的意图会被打断，用户的意图也可能因为一些影响而发生变化，或者干脆不太会用，正在试探。而且现有的数据集也没有做multitask的。