FocusGUI：面向全模态 GUI 智能体的聚焦感知适配器

论文提出 FocusGUI，一个轻量适配器，针对每一步决策动态筛选相关的多模态证据，压缩为紧凑潜表示后注入冻结解码器的嵌入向量，从而避免无关上下文带来的误差累积，且无需微调主干。该方法仅依赖动作监督训练，不需要模态相关性标签；在四个全模态主干上，平均 Type Match 比冻结主干提升 33.2，Exact Match 提升 3.0 倍，Type Match 比现有最强增强方法高 30.1。