본 논문은 GUI 에이전트의 성능 향상을 위해 Vision Language Model(VLM)의 중간 학습 단계에 데이터가 풍부하고 추론 집약적인 다양한 작업을 추가하는 방법을 제안합니다. GUI 지각, 다중 모달 추론, 텍스트 추론 등 11가지 작업을 통해 중간 학습의 효과를 실험적으로 검증합니다. 실험 결과, 다양한 작업에서 상당한 성능 향상을 확인하였으며, 특히 텍스트 기반 수학 데이터가 시각적 영역인 GUI 웹 에이전트 성능 향상에 기여하는 등 도메인 간 지식 전이 효과를 보였습니다. 또한, 기존에 널리 사용되던 GUI 지각 데이터의 효과는 예상보다 제한적이었음을 밝히고, 최적의 중간 학습 작업 조합을 통해 WebArena와 AndroidWorld에서 각각 8.0%, 12.2%의 성능 향상을 달성했습니다.
