본 논문은 그래픽 사용자 인터페이스(GUI) 환경 내에서 인공 일반 지능(AGI)을 구축하는 데 대한 관심이 증가함에 따라, 대규모 언어 모델(LLM) 기반의 기존 GUI 에이전트들이 새로운 환경에 일반화하는 데 어려움을 겪고 수동으로 정리된 다양한 데이터셋에 크게 의존하는 문제점을 해결하기 위해 제시된 연구이다. 연구진은 실제, 동적이고 개방적인 GUI 환경에서 그룹 상대 정책 최적화(GRPO)를 통해 훈련된 VLM인 ScreenExplorer를 소개한다. ScreenExplorer는 에이전트가 탐색의 초기 단계를 극복하도록 돕는 세계 모델 기반 호기심 보상 함수를 도입하고, 경험 스트림을 증류하여 모델의 탐색 능력을 향상시킨다. 이 훈련 프레임워크는 개방형 GUI 환경에서 모델 탐색을 향상시켜, 정적 배포 모델에 비해 환경 적응력과 지속적인 탐색 능력이 향상된 모델을 보여준다. 이 연구는 복잡한 상호 작용 설정에서 자기 개선 능력을 가진 AGI 시스템을 향한 확장 가능한 경로를 제공한다.