자연어 질의로부터 이미지 영역을 찾아서 GUI 에이전트의 추론 능력을 향상시키는 시각적 근거(Visual grounding) 작업에 대한 연구입니다. 방대한 양의 노이즈가 있는 합성 데이터에 의존하는 기존 방법과 달리, 본 연구는 모델 기반 데이터 필터링과 파라미터 효율적인 미세 조정을 결합한 효율적인 훈련 파이프라인을 제시합니다. 480만 개의 합성 예제로부터 12,000개의 깨끗하고 다양한 인스턴스를 선별하고, 30억 개의 파라미터를 가진 비전-언어 모델을 세 가지 훈련 방식(지도 미세 조정, 사고 사슬 증강 미세 조정, 그룹 상대 정책 최적화를 통한 강화 학습)으로 학습시켰습니다. 필터링된 데이터와 가벼운 훈련 전략으로 훈련된 모델은 ScreenSpot, Multimodal-Mind2Web, AndroidControl과 같은 벤치마크에서 더 큰 규모의 베이스라인 모델과 동등하거나 능가하는 성능을 보였습니다.
