MAI-Gym、モバイルとPCのGUIエージェント評価とRL学習を統合するオープンプラットフォーム

MAI-Gym: An Open All-in-One Platform for GUI Agent Evaluation and RL Training across Mobile and Computer Environments

AIによる概要

MAI-Gymは、モバイル、コンピュータ、Web環境にまたがるGUIエージェントの評価、データ収集、オンライン強化学習（RL）を一つにまとめたオープンなプラットフォームである。これを用いて訓練した9BのMAI-Gym-9Bは、10B未満のオープンGUIエージェントで最高水準とされ、MobileWorldで78.4%、OSWorld-Verifiedで76.2%を記録した。フレームワーク、スキル、模擬アプリ、2,000件の検証済みタスク、モデルのチェックポイントも公開されている。

解説

MAI-Gymは、検証可能な報酬によるオンラインRLを数学、コーディング、ツール利用で成功してきた流れからGUIエージェントへ広げるための基盤である。課題として、対話型環境のコストの高さと、現実的な訓練タスクの不足が挙げられている。共通の rollout パイプラインにより評価時と訓練時でエージェントの挙動を揃え、10種類の既存ベンチマークに対応し、最大20,000の並列環境インスタンスまで拡張できるとされる。

基盤に加えて、多様なGUIアプリと難度の高いタスクを自動で合成する仕組みも備える。リセット可能な模擬アプリや、アプリ間で整合した世界を作り、実行によって検証されるタスク検証器を付ける点が特徴である。

この基盤で訓練したMAI-Gym-9Bは、モバイルとコンピュータの両方に使える統合型の9Bエージェントである。MobileWorldで78.4%、OSWorld-Verifiedで76.2%を達成し、10B未満のオープンGUIエージェントの中で最高水準としている。