论文导读
ViMo: A Generative Visual GUI World Model for App Agents
首个 arXiv 版本： · arXiv
预测移动应用的后续屏幕，帮助智能体比较候选动作，并将图形内容与文字内容分开处理。
研究贡献与问题设置
用符号化文字占位符保留布局，将图形预测和文字预测交给不同组件完成。
- 模型输出
- 由图形预测和文字预测组合而成的未来移动 GUI 图像。
- 动作接口
- 候选移动应用操作。
- 状态与记忆
- 以屏幕和动作为条件进行预测；符号化文字表示保留文字位置与布局。
与 NeuralOS 的联系
这项视觉 GUI 世界模型研究于 2025 年 4 月公开，早于 NeuralOS 在 2025 年 7 月发布的预印本。
适用范围与限制
实验研究面向智能体规划的移动应用屏幕预测。
相关术语：ViMo、GUI 世界模型、下一屏幕预测、移动应用仿真
引用这篇论文
arXiv 预印本
请引用实际使用的版本。