हर बार ताज़ा फ़्रेमों पर खर्च होने वाला बजट
लंबे समय तक जीवित रहने वाला GUI-एजेंट तस्वीरों की कमज़ोर याददाश्त वाले जीव की तरह बना होता है। क्रियाओं का टेक्स्ट-इतिहास वह लगभग अनंत तक अपने साथ ढो सकता है — सारांशीकरण का वज़न कम होता है। लेकिन स्क्रीनशॉट महँगे पड़ते हैं: मॉडल की सक्रिय विंडो में केवल मुट्ठी भर इमेजें ही समा पाती हैं। यहीं से वह समस्या जन्म लेती है जिसे लेखक budgeted fidelity restoration कहते हैं। हर घटना एक संक्षिप्त विवरण के रूप में बनी रहती है, लेकिन एक तय बजट B यह तय करता है कि किन घटनाओं को उनके संग्रहित पिक्सेल वापस मिलेंगे।
बुनियादी विकल्प Recent-B इस सवाल का सबसे सरल जवाब देता है: सभी विज़ुअल स्लॉट आख़िरी घटनाओं को दे दिए जाते हैं। "जो जितना ताज़ा, उतना उपयोगी" वाला तर्क स्वाभाविक लगता है, पर उसमें एक अंधा धब्बा है — यह कभी जाँचता ही नहीं कि क्या हाल की स्क्रीन वाकई बीस क़दम पहले वाली स्क्रीन से ज़्यादा ज़रूरी है। कभी-कभी उपयोगकर्ता किसी दूसरी विंडो में चला जाता है, वहाँ कुछ सेट करता है, लौट आता है — और अगली क्रिया के लिए सबसे ज़रूरी चीज़ इतिहास में बहुत पीछे छूट जाती है।
चयन का एक और सिद्धांत
CausalCache — वह विधि जिसका वर्णन arXiv:2608.22577 पेपर में है (Jiaxuan Luo, Zhanfeng Liao, Jiayao Teng, Yuan Wang; 23 अगस्त 2026 का v1, 25 अगस्त का v2 अपडेट, नौ पृष्ठ और चार चित्र)। "आख़िरी वालों को सब कुछ" वाले नियम की जगह यह पूरे इतिहास का मूल्यांकन करता है और किसी पुरानी घटना को ठीक तभी रखता है जब उसकी अनुमानित उपयोगिता हाल के उम्मीदवार की उपयोगिता से भारी पड़े। सवाल "अभी-अभी क्या हुआ" के रूप में नहीं, बल्कि "अगले क़दम में क्या काम आएगा" के रूप में रखा जाता है।
वह अडैप्टर जो अपनी जगह जानता है
इस रचना का दूसरा आधा हिस्सा है history-gated key/value अडैप्टर। यह केवल बहाल की गई ऐतिहासिक इमेजों के टोकन को छूता है और पूरी तरह बंद हो जाता है जब संदर्भ में ऐसी कोई इमेज न हो। यह एक अहम ब्यौरा है: मौजूदा स्क्रीन का प्रसंस्करण इस वजह से नहीं बिगड़ता कि सिस्टम सिद्धांत रूप में पुराने फ़्रेम निकाल सकता है।
सेलेक्टर और अडैप्टर को मिले-जुले बजट वाले हस्तक्षेपों — matched-budget interventions — के साथ डेस्कटॉप ट्रैजेक्टरीज़ पर प्रशिक्षित किया जाता है, और फिर मोबाइल पर zero-shot जाँचा जाता है, यानी नए प्लेटफ़ॉर्म के लिए बिना किसी फ़ाइन-ट्यूनिंग के।
मापन ने क्या दिखाया
डेस्कटॉप: फ़ायदा है, पर तुरंत नहीं
OSWorld-Verified पर ऐतिहासिक स्क्रीनशॉट शामिल करने से सफलता दर उस मेमोरी की तुलना में लगभग 13 प्रतिशत अंक बढ़ जाती है जिसमें केवल टेक्स्ट सारांश होते हैं। यह प्रभावशाली लगता है, पर आगे बारीकियाँ शुरू होती हैं।
15 क़दमों की आधिकारिक सीमा पर CausalCache और साधारण Recent-4 सांख्यिकीय रूप से अलग नहीं हैं। यानी छोटे एपिसोड पर पूरी कवायद फ़ायदेमंद नहीं है: वहाँ इतिहास कुछ क़ीमती जमा ही नहीं कर पाता, और नयेपन का लालची चयन भी उतना ही अच्छा काम करता है। लेकिन 30 क़दमों वाले निदान में अंतर दिखने लगता है — 46.7% बनाम 42.4%, यानी 4.3 अंक की बढ़त।
मोबाइल: बिना दोबारा प्रशिक्षण के स्थानांतरण
MobileWorld के 117 कार्यों पर zero-shot 36.8% देता है, जबकि Recent-4 30.2% देता है। डेस्कटॉप ट्रैजेक्टरीज़ पर प्रशिक्षित विधि फ़ोन पर भी जीतती है — यही वह नतीजा है जो बताता है कि बात किसी ख़ास इंटरफ़े़स के लिए ट्यूनिंग की नहीं है।
ज़्यादा दिलचस्प यह है कि बढ़त असल में कहाँ बैठती है। यह पहले से तय cross-app memory-candidate स्प्लिट पर केंद्रित है: 30.6% बनाम 19.4%, यानी +11.2 अंक। single-app कंट्रोल में कोई अंतर नहीं मिला — 43.6% बनाम 42.4%। तस्वीर मेल खाती है: बढ़त वहाँ दिखती है जहाँ कार्य के लिए एक ऐप की स्थिति याद रखनी होती है जबकि काम दूसरे में किया जा रहा हो।
इससे क्या निकलता है
लेखकों की बात इस तरह है: यह चुनना कि किन पुरानी घटनाओं को पिक्सेल वापस मिलें, तय विज़ुअल बजट को पूरा का पूरा नयेपन पर खर्च करने से ज़्यादा कारगर है। इससे बहस करना मुश्किल है, ख़ासकर तब जब बढ़त ठीक ऐप-से-ऐप स्विच करने वाले कार्यों में केंद्रित निकली हो।
लेकिन ईमानदार व्याख्या के लिए दो शर्तें ज़रूरी हैं। पहली: छोटे क्षितिजों पर कोई अंतर नहीं है, यानी यह विधि मुफ़्त सुधार नहीं, बल्कि लंबे एपिसोड पर एक दाँव है, जहाँ जमा इतिहास का कोई मतलब बनता है। दूसरी: single-app कंट्रोल में शून्य अंतर से यह निकलता है कि उपयोगिता के आधार पर चयन सार्वभौमिक नहीं है — यह समस्याओं के एक ख़ास वर्ग को सुलझाता है, जहाँ एजेंट को बहुत पहले गई स्क्रीन संदर्भ में वापस लानी होती है।
एजेंट बनाने वालों के लिए व्यावहारिक निष्कर्ष: नयापन एक सुविधाजनक मानदंड है, पर एकमात्र नहीं। जैसे ही इमेज बजट तंग पड़ने लगे, यह पूछना बनता है कि आप उसमें असल में क्या डाल रहे हैं — आदतन आख़िरी फ़्रेम, या वे जो सचमुच अगले क़दम में काम आएँगे।
