Summary
把 discrete diffusion VLM（LLaDA-V 8B）适配成 single-turn GUI grounding 模型，用 hybrid masking 显式建模 bounding box 的 anchor→extent 层级，在四个 GUI grounding 数据集上相对 linear masking 稳定提升 SSR（+1.5 至 +6.1）。这是 discrete DVLM 用于 GUI grounding 的首个系统研究，但在同一份 120K 训练语料下，diffusion 变体在四个数据集中的三个上仍显著落后于 Qwen2.5-VL，且推理延迟高 4-6 倍。论文正文关于”把与 AR 的差距从约 25 分收窄到 15 分以内”的表述无法由其自身 Table 4 复现（见 Evidence Ledger C16）。
Problem & Motivation
GUI grounding 是把自然语言指令 + 截图映射为可执行 GUI action 的基础能力，当前几乎全部由 AR VLM 承担。AR 范式带来两个结构性属性：sequential decoding 与 unidirectional attention。discrete DVLM（LLaDA-V、MMaDA）提供了相反的三条性质——bidirectional attention、parallel token generation、iterative refinement——并在 multimodal reasoning 上已展示竞争力，但没人验证过它们在 GUI grounding 这类短、强结构化输出任务上的表现。
作者的问题设定因此不是”造一个更强的 GUI agent”，而是”discrete DVLM 能不能做 GUI grounding，以及它的行为受哪些因素支配”。这个切法本身是合理的：GUI action string 的输出长度只有十几个 token，恰好是 diffusion 并行解码理论上最有利、而 AR 的顺序开销相对最不重要的区间——如果 diffusion 在这里都拿不到优势，那它在长输出的 agent 场景更难成立。
论文进一步提出一个具体的结构假设：随机 linear masking 把 action type、括号、坐标当成彼此独立的 token，而 B = (x1, y1, x2, y2) 实际有几何层级——(x1, y1) 锚定动作位置，(x2, y2) 定义空间范围。随机 masking 很少稳定地制造出”extent 被 mask、anchor 可见”的训练情形，因而学不到 p(x2, y2 | a_type, x1, y1, I, N) 这个条件分布。
Method
任务形式：输入截图 I + 指令 N，输出 action string a = [a_type, B]，a_type ∈ {lclick, hover, type_in}，B = (x1, y1, x2, y2) 按屏幕尺寸归一化到 [0, 1000]。判正条件是 action type 匹配且预测框的中心点落在 ground-truth 框内（center-point 判据，非 IoU、非面积重叠）。研究范围明确限定为 single-turn，multi-step planning 与 dependent action 留作 future work。
基础模型：LLaDA-V 8B，架构完全不改——LLaDA language tower + SigLIP-2 vision tower + 两层 MLP projector。GUI action string 作为 response token，模型在 image、instruction 与 masked response 条件下重建 action type、坐标与可选的输入文本。
Hybrid masking schedule（本文唯一的方法贡献，两阶段）：
- Linear Masking Phase——沿用 LLaDA-V 默认线性调度（
p_mask = (1-ε)t + ε），学 action type 与 anchor(x1, y1)，对应 coarse grounding。 - Full Deterministic-Masking Phase——在
I、N、a_type、(x1, y1)全部给定的条件下，把剩余目标 token 全部 mask，强制模型学p(x2, y2 | a_type, x1, y1, I, N)，对应 extent refinement。
两阶段构成 coarse-to-fine：先高频学锚点，再在锚点条件下补全框。代价在推理侧——第二阶段依赖第一阶段的输出，作者称之为 conditional sequentiality，这正是 hybrid 延迟高于 linear 的原因。
推理参数：Diffusion Steps / Generation Length / Block Length 三者，全部设为 64 时精度-效率最优；论文另报告 Converged Steps（denoising 实际收敛所需步数）作为更真实的计算量指标。
训练数据：
- 可行性实验：Mind2Web 7K 子集，10 epochs。
- 规模化实验：120K 多域混合——Mind2Web 20K、WebLinX 20K、OS-Atlas 60K（web/mobile/desktop 各 20K）、Rico Widget Caption 20K。
- 预处理：Mind2Web 高分辨率截图做 random cropping（保证目标可见）；全部数据集使用 OCR-guided target annotation，因为 icon-level 紧框标注会让模型频繁定位到错误目标。
Key Results
可行性（Table 2，7K Mind2Web，无 crop / 无 OCR 标注）
| Diff/Gen/Block | Conv Steps | SSR (%) | Action-Type F1 (%) | Avg Lat (s) |
|---|---|---|---|---|
| 32 / 32 / 32 | 13 | 78.15 | 99.00 | 2.56 |
| 64 / 64 / 64 | 25 | 80.67 | 99.00 | 4.84 |
| 128 / 128 / 128 | 25 | 80.63 | 99.87 | 5.01 |
推理预算的收益在 64 步后消失：32→64 换来 +2.52 SSR 但延迟近乎翻倍；128 步 SSR 反而微降。Appendix C 补充 256 步为 SSR 80.69 / 4.84s，进一步确认平台期由输出长度和收敛步数（25）而非预设步数决定。Appendix B 报告未微调的 LLaDA-V 8B 在 Mind2Web 上 SSR 为 0.00、F1 约 0.10-0.12——论文没有把 fine-tuning 得来的能力包装成基座原生能力。
视觉预处理与标注质量（Table 3，同为 7K Mind2Web，64/64/64）：加入 cropping + OCR-based target annotation 后 SSR 80.67 → 83.31，延迟 4.84 → 4.46s，F1 保持 99。注意正文写作 “+2.68-point”，与表内实际差值 2.64 不符（C7）。
数据规模化（Figure 3，7K web-only → 120K multi-domain，linear masking）
| Benchmark | SSR 7K → 120K | Conv Steps | Avg Lat (s) |
|---|---|---|---|
| Mind2Web | 83.3 → 83.2 | 25 → 16 | 4.46 → 3.02 |
| ScreenSpot-Web-Text | 54.4 → 73.5 | 25 → 17 | 4.38 → 3.20 |
| ScreenSpot-Web-Icon | 19.9 → 57.8 | 26 → 18 | 4.54 → 3.36 |
| VisualWebArena | 32.4 → 61.4 | 24 → 16 | 4.28 → 3.05 |
增益全部来自域外泛化（in-domain 的 Mind2Web 基本持平），且精度与延迟同向改善——多域数据让去噪更快收敛（少 8-9 步），这是本文最干净的一条机制性结果。
AR vs NAR（Table 4，全部模型训练于同一份 120K 语料）
| Dataset | Metric | Phi (3B) | Qwen2.5-VL (3B) | Qwen2.5-VL (7B) | LLaDA-V 8B (Lin) | LLaDA-V 8B (Hybrid) |
|---|---|---|---|---|---|---|
| Mind2Web | SSR | 56.80 | 79.30 | 81.90 | 82.40 | 83.90 |
| F1 | 94.40 | 99.60 | 99.90 | 98.50 | 100.00 | |
| Lat (s) | – | – | 1.10 | 3.02 | 5.44 | |
| ScreenSpot-Web-Icon | SSR | 62.60 | 79.10 | 85.40 | 57.80 | 63.10 |
| Lat (s) | – | – | 1.10 | 3.36 | 6.50 | |
| ScreenSpot-Web-Text | SSR | 77.00 | 83.00 | 83.00 | 73.50 | 74.80 |
| Lat (s) | – | – | 1.10 | 3.20 | 4.20 | |
| VisualWebArena | SSR | 68.50 | 88.90 | 87.20 | 61.40 | 67.50 |
| Lat (s) | – | – | 1.10 | 3.05 | 5.49 |
Hybrid 对 Linear 的增益：Mind2Web +1.50、ScreenSpot-Web-Icon +5.30、ScreenSpot-Web-Text +1.30、VisualWebArena +6.10（正文写作 “+1.6 (Mind2Web)“，与表内 +1.50 不符）。四个数据集方向一致，支持 anchor→extent 层级假设。
与 AR 的实际差距（按各 benchmark 最强 AR baseline 计算）：Linear 为 −0.5 / 27.6 / 9.5 / 27.5（均值 16.0），Hybrid 为 −2.0 / 22.3 / 8.2 / 21.4（均值 12.5）。也就是说，diffusion 只在 in-domain 的 Mind2Web 上超过 AR，在两个 icon/视觉密集型数据集上仍落后 21-22 分。论文正文”把差距从约 25 收窄到 15 以内”的表述在任何一种读法下都无法由 Table 4 得出（C16）。
延迟代价（Appendix F / Table 7）：把 hybrid 的收敛步数压到 11-15 步可将延迟降到 2.74-3.00s，但 SSR 全面回落——Mind2Web 83.90 → 81.00，ScreenSpot-Web-Icon 63.10 → 59.60，ScreenSpot-Web-Text 74.80 → 70.00，VisualWebArena 67.50 → 59.20。即 hybrid 的精度增益不能在与 linear 相当的延迟预算下保留。
Evidence Ledger
| Claim ID | Claim | Type | Source locator | Evidence excerpt | Status |
|---|---|---|---|---|---|
| C1 | 基座为 LLaDA-V 8B（LLaDA tower + SigLIP-2 + 两层 MLP projector），架构未改 | causal-mechanism | p.3 §3.2、p.4 §4.1 | ”a language tower LLaDA, a vision tower SigLIP-2, and a two-layer MLP projector” | source-verified |
| C2 | action 空间 {lclick, hover, type_in}，bbox 归一化到 [0,1000] | benchmark-setting | p.3 §3.1 | ”bounding-box coordinates normalized to [0,1000] relative to screen size” | source-verified |
| C3 | 判正 = action type 匹配且预测框中心落在 GT 框内（center-point，非 IoU） | benchmark-setting | p.3 §3.1、p.6 §5.4 | ”the center of the predicted bounding box lies within the ground-truth bounding box” | source-verified |
| C4 | Hybrid masking = linear 阶段学 (x1,y1) + full deterministic 阶段在 anchor 条件下学 (x2,y2) | causal-mechanism | p.5 §4.2.1-4.2.2 | ”conditioned on the image I, instruction N, and anchor (x1,y1) … predict the remaining coordinates (x2,y2)“ | source-verified |
| C5 | 7K Mind2Web 无 crop/OCR：32→78.15/99.00/2.56s；64→80.67/99.00/4.84s；128→80.63/99.87/5.01s | number | p.6 Table 2 | ”32 32 32 13 78.15 99.00 2.56 | 64 64 64 25 80.67 99.00 4.84” | source-verified |
| C6 | crop+OCR 使 SSR 80.67→83.31、延迟 4.84→4.46s，F1 维持 99 | number | p.7 Table 3 | 高亮行 “64 64 64 25 83.31 99 4.46” | source-verified |
| C7 | 正文称该改动带来 “+2.68-point SSR improvement” | number | p.8 §6.3 vs p.7 Table 3 | ”yield a +2.68-point SSR improvement and a 0.38 s reduction in latency” | contradicted（表内实际为 +2.64；0.38s 延迟差正确） |
| C8 | Table 4 全部 SSR 数值（Phi / Qwen 3B / Qwen 7B / Lin / Hybrid，四数据集） | number | p.8 Table 4 | ”56.80 79.30 81.90 82.40 83.90 … 68.50 88.90 87.20 61.40 67.50” | source-verified |
| C9 | 延迟：Qwen2.5-VL 7B 四数据集均 1.10s；Lin 3.02/3.36/3.20/3.05；Hybrid 5.44/6.50/4.20/5.49 | number | p.8 Table 4 “Lat. (s)" | "– – 1.10 3.02 5.44 | – – 1.10 3.36 6.50” | source-verified |
| C10 | 正文称 hybrid 增益 “+1.6 (Mind2Web)“ | number | p.8 §6.5 vs Table 4 | ”SSR gains of +1.6 (Mind2Web), +5.3 …, +1.3 …, and +6.1 (VisualWebArena)“ | contradicted（Mind2Web 表内为 +1.50；其余三项 +5.30/+1.30/+6.10 与表一致） |
| C11 | 全部 AR baseline 与两个 LLaDA-V 变体训练于同一份 120K GUI grounding 语料 | benchmark-setting | p.6 §5.2 | ”All AR models and the LLaDA-V linear and hybrid variants are trained on the same 120K-sample” | source-verified |
| C12 | 120K 组成：Mind2Web 20K + WebLinX 20K + OS-Atlas 60K（web/mobile/desktop 各 20K）+ Rico Widget Caption 20K | number | p.5 Table 1、§5.1.1 | ”OS-Atlas (60K samples, 20K each from mobile, web, and desktop domains)“ | source-verified |
| C13 | 7K→120K：SWT +19.1 SSR/+5.2 F1，SWI +37.9/+8.4，VWA +29 SSR，M2W 稳定在约 83、延迟降 1.4s，收敛步数少 8-9 | number | p.8 §6.4、p.7 Figure 3 | ”ScreenSpot-Web-Text improves by +19.1 SSR and +5.2 F1, ScreenSpot-Web-Icon by +37.9 SSR” | source-verified |
| C14 | Figure 3 条形数值：7K 为 83.3/54.4/19.9/32.4，120K 为 83.2/73.5/57.8/61.4 | number | p.7 Figure 3 左图 | 柱标 “83.3 83.2 | 54.4 73.5 | 19.9 57.8 | 32.4 61.4” | source-verified |
| C15 | 同一个 120K linear 模型的 Mind2Web SSR，Figure 3 为 83.2、Table 4 为 82.40（内部不一致） | number | p.7 Fig 3 vs p.8 Table 4 | Fig 3 柱标 “83.2”；Table 4 “(Lin) … 82.40” | source-verified（SWT/SWI/VWA 与延迟均一致，仅 Mind2Web 冲突） |
| C16 | 论文称 hybrid 把与 AR 的差距”从约 25 分收窄到 15 分以内” | comparison | p.2 §1 Intro（数据在 p.8 Table 4） | “narrowing the gap to AR models from about 25 to under 15 points” | unsupported（按最强 AR 逐 benchmark：Lin −0.5/27.6/9.5/27.5 均值 16.0；Hybrid −2.0/22.3/8.2/21.4 均值 12.5。无任何读法给出”约 25 → 15 以内”） |
| C17 | 声称是首个探索 discrete DVLM 用于 GUI grounding 的研究 | sota-novelty | p.2 §1、p.8 §7 | ”to the best of our knowledge, represent the first study exploring their use for GUI grounding” | source-verified（仅表示论文如此声称） |
| C18 | 评测仅四个数据集（Mind2Web test split、ScreenSpot-Web-Text、ScreenSpot-Web-Icon、VisualWebArena）；未用 ScreenSpot-Pro / ScreenSpot-V2 / OSWorld / AndroidWorld，也无任何 multi-step 或闭环执行评测 | benchmark-setting | p.5 §5.1.2、p.3 §3.1 | ”we used four established GUI grounding benchmarks: Mind2Web (test split), ScreenSpot-Web-Text, ScreenSpot-Web-Icon, and VisualWebArena” | source-verified |
| C19 | 正文全篇无代码链接、无 project page、无 model/data license 声明 | license-code | 全文（p.1 脚注至 §7） | 脚注仅有 “Work done while at AWS Agentic AI. skumbha4@asu.edu, liahaofu@amazon.com” | source-verified |
| C20 | 不存在任何 budget-matched（同参数量、同预训练）的 AR vs diffusion 对照，用以把增益归因到 diffusion 目标本身 | causal-mechanism | p.6 §5.2、p.8 Table 4、arXiv suppl. §8 | Limitations 承认 AR 领先或因 “extensive grounding-specific pretraining and optimized decoding strategies” | source-verified（训练数据已对齐 120K；参数量、预训练语料、解码预算均未控制） |
| C21 | 未微调的 LLaDA-V 8B 在 Mind2Web 上 SSR 0.00、F1 约 0.10-0.12 | number | arXiv Appendix B, Table 5 | ”0.00 | 0.10 … 0.00 | 0.12 … 0.00 | 0.10” | source-verified |
| C22 | 256 diffusion steps → SSR 80.69、延迟 4.84s（相对 64 步无实质增益） | number | arXiv Appendix C, Table 6 | ”256 | 64 | 64 | 25 | 80.69 | 99.87 | 4.84” | source-verified |
| C23 | 压低 hybrid 步数至 11-15 → 延迟 2.74-3.00s，SSR 降至 M2W 81.00 / SWI 59.60 / SWT 70.00 / VWA 59.20 | number | arXiv Appendix F, Table 7 | ”M2W … 11.00 | 81.00 … 2.74; VWA … 11.00 | 59.20 … 2.87” | source-verified（收敛步数为 11/11/15/11，SWT 是 15 不是 11） |
| C24 | hybrid 延迟更高源于 conditional sequentiality——linear 阶段输出喂给 deterministic 阶段 | causal-mechanism | p.8 §6.5 | ”its conditional sequentiality, where the output of the linear phase … serves as input for the full deterministic phase” | source-verified |
| C25 | 研究范围显式限定 single-turn，multi-step planning 与 dependent action 留待未来 | benchmark-setting | p.3 §3.1 | ”We restrict our study to single-turn grounding … left for future work” | source-verified |
| C26 | arXiv:2603.26211，v1 提交 2026-03-27，comments 为 “Accepted to CVPR 2026”；作者 1 属 ASU，作者 2-4 属 AWS Agentic AI | metadata | arXiv abs 页 + p.1 title block | ”Comments: Accepted to CVPR 2026”；“1Arizona State University 2AWS Agentic AI” | source-verified |
补充（仅 finder 核对、未经独立 verifier 复核）：正文 §5.1.2 只写 “Mind2Web (test split)“，未指明使用的是 cross-task / cross-website / cross-domain 中的哪一个 split；这一点在与文献中 Mind2Web 数字横向对比时构成口径缺口。
source-verified仅表示 primary source 确实包含该信息，不表示结果已被独立复现。
Strengths & Weaknesses
已知亮点
- 问题切口选得对。single-turn grounding 的输出只有十几个 token，是 diffusion 并行解码理论上最有利的区间；把范围收窄反而让 masking schedule、推理预算、数据规模、标注质量四个变量各自可观察。作者也没有把 fine-tuning 得到的能力说成基座原生能力——Appendix B 明确报告 zero-shot SSR 为 0.00（C21）。
- Hybrid masking 是一次干净的组件级 ablation。它与 linear 变体共享同一基座、同一 120K 语料、同一推理配置，唯一差异是 masking schedule，四个数据集方向一致（C10）。这条结论的内部效度是全文最强的一处——它支持”bbox token 有 anchor→extent 层级、随机 masking 学不到该条件分布”这个具体假设。
- 训练数据在 AR 与 NAR 之间是对齐的（C11）。这在 GUI grounding 论文里并不常见，很多工作直接拿 off-the-shelf AR checkpoint 与自己精调的模型比。此处 Qwen2.5-VL / Phi 都在同一份 120K 上训过，数据配方这一项变量被控住了。
- 数据规模化那条结果有机制含量。多域数据同时把精度提上去、把收敛步数从 25 降到 16-18、把延迟降 1.2-1.4s（C13/C14）——精度与延迟同向改善，说明模型对目标区域的置信度上升导致 low-confidence remasking 更早停止。这比”加数据涨点”信息量高。
- 失败模式描述具体可操作：极高分辨率截图超出 SigLIP-2 的有效处理范围；icon-level 紧框标注让模型频繁定位到周边描述文字而非图标本身，扩到 OCR text region 后缓解（C6）。这两条对任何做 GUI grounding 数据的人都直接有用。
已知局限
- budget-matched 对照缺失，增益无法归因到 diffusion 目标本身（C20）。数据配方对齐了，但参数量（8B NAR vs 3B/7B AR）、预训练语料、解码预算三项都没控。LLaDA-V 8B 比 Qwen2.5-VL-7B 大，延迟高 4-6 倍（C9），却在四个数据集里三个落后。论文自己的 Limitations 也承认 AR 领先可能来自 grounding-specific pretraining 与优化过的解码——这等于承认核心对照不成立。同理，无法区分增益来自 diffusion 目标、并行解码、坐标文本表示，还是 crop/OCR 数据配方。
- 正文的核心比较性表述与自身表格不符（C16）。“把差距从约 25 分收窄到 15 分以内”在任何一种读法下都推不出来：按最强 AR 逐 benchmark 算，Linear 均值差距是 16.0 而非 25，Hybrid 收到 12.5；而两个真正大的缺口（ScreenSpot-Web-Icon、VisualWebArena）在 hybrid 之后仍有 21-22 分。另有三处内部数值不一致（C7 的 +2.68 vs +2.64、C10 的 +1.6 vs +1.50、C15 的 83.2 vs 82.40），单个都不改变结论，但合起来说明表格与正文没有对账。
- benchmark 口径被换过，横向数字不可比。三点：(1) 判正用 center-point-in-GT-box 且额外要求 action type 匹配（C3），与 ScreenSpot 原始 protocol 不是同一件事；(2) 只用了 ScreenSpot 的 Web-Text / Web-Icon 两个子集，没有 mobile / desktop 切片，也没有 ScreenSpot-V2 / ScreenSpot-Pro（C18）——恰好回避了 2504-ScreenSpotPro 揭示的高分辨率专业界面这一最难区间，而论文自己承认对分辨率敏感；(3) VisualWebArena 本是交互式执行 benchmark，这里被当成单步 grounding 数据集使用（C18/C25），其 SSR 与文献中的 VWA task success rate 不是同一量纲。
- 没有 execution externality，也没有闭环（C18/C25）。全部结果是离线单步预测，没有真实浏览器/OS 执行、没有状态转移、没有 oracle 或 verifier 参与。这既是优点（无 execution 混淆）也是硬边界。
- hybrid 的精度增益在等延迟预算下保不住（C23）。把收敛步数压到 11-15 步以逼近 linear 的延迟，四个数据集 SSR 全面回落，VisualWebArena 甚至跌到 59.20——低于 linear 的 61.40。换句话说，hybrid 相对 linear 的比较本身也不是延迟对齐的。
- 无代码、无 license、无 project page（C19），复现需要自行重建 120K 混合、cropping 策略与 OCR-guided 标注流程；OCR 引擎与标注扩展规则正文未给参数。
推测（未经验证）
- Hybrid masking 起作用的机制未必是”diffusion 学到了几何层级”。它同时改变了训练时的条件分布覆盖率——deterministic 阶段人为制造了大量”anchor 可见、extent 被 mask”的样本，这本质上是一种训练分布重加权，与 diffusion 目标本身并不强耦合。同样的重加权理论上可以在 AR 模型上通过 token 顺序或 loss reweighting 实现，论文没有做这个对照。
- 增益在 icon 类数据上最大（SWI +5.30、VWA +6.10）而在文本类上最小（SWT +1.30），指向 hybrid 主要救的是没有 OCR 文字锚点的目标——即模型缺少稳定 anchor 线索时，显式的 anchor-then-extent 分解才有价值。这与 §6.3 说 OCR 标注扩展能改善 icon 定位是同一件事的两个面。
不知道
- 若把同一个 AR 基座（如 Qwen2.5-VL-7B）转成 diffusion 解码器再在同一 120K 上训练，diffusion 是否还有任何优势。这是 2604-FastdVLM 已经证明可行的路径，本文没走。
- Hybrid masking 在多步 GUI 任务、真实浏览器闭环、无 verifiable reward 的条件下是否仍提升 task success。单步 SSR 与真实任务成功率之间的落差在 2504-OnlineMind2Web 中已被系统量化。
- 加入 grounding-specific pretraining 后，LLaDA-V 与 Qwen2.5-VL 的差距会缩小多少、还是会反向扩大。
- Mind2Web 用的是哪个 test split（见 Evidence Ledger 补充说明），因此本文 Mind2Web 数字与文献中同名数字能否比较未知。
Mind Map
mindmap root((TowardsGUIAgents)) Problem Single-turn GUI grounding AR VLM dominates the paradigm Discrete DVLM unexplored for grounding Random masking ignores bbox hierarchy Method LLaDA-V 8B unchanged architecture SigLIP-2 tower plus MLP projector Action string as response tokens Hybrid masking Linear phase learns type and anchor Deterministic phase learns extent Conditional sequentiality costs latency Data 7K Mind2Web feasibility 120K multi-domain scaling Cropping and OCR-guided annotation Results Zero-shot SSR is zero Inference budget plateaus at 64 steps Multi-domain data cuts steps and latency Hybrid beats linear on all four sets Still behind AR on three of four Gap-narrowing claim unsupported
Notes
库内关联
- CUA-Survey — GUI canonical survey；本文属 §6 architecture 轴下”grounding 输出表示”的一个分支，可作为 decoding paradigm 的对照点纳入。
- 2604-FastdVLM — 最直接的方法论对照。Fast-dVLM 把 Qwen2.5-VL-3B 直接转换成 block-diffusion VLM，因此天然是同基座、同预训练的 AR-vs-diffusion 比较；它得出的两条结论对本文有直接约束力：加速主要来自系统栈（SGLang + FP8）而非算法（算法层仅 1.98×），且 long-form 生成是 block-diffusion 的结构性短板。本文选择从零适配一个独立的 8B diffusion 基座，恰好放弃了这种可归因性。
- 2500-GuiActorCoordinateFree — 正面对立的设计选择。GUI-Actor 认为”文本生成坐标”本身就是病灶（空间语义对齐弱、监督歧义、patch/coordinate 粒度失配），改用
<ACTOR>token + attention head 在视觉 patch 上直接预测区域；本文则保留坐标即文本，只在 masking 调度上做文章。两者对同一瓶颈给出了相反的处方，值得并置。 - 2504-ScreenSpotPro — 本文回避的评测区间。ScreenSpot-Pro 面向高分辨率专业软件的密集小图标，而本文明确承认对 GUI 分辨率敏感、且只评测了 ScreenSpot 的 web 子集。
- 2401-VisualWebArena — 本文把 VWA 当作单步 grounding 数据集使用，与其原生的交互式执行评测不是同一量纲，引用其数字时需注明。
- 2504-OnlineMind2Web — 单步指标与真实任务成功率之间落差的系统性证据；本文全部结论停留在单步 SSR，这条落差是其外推到 agent 闭环时的主要风险。
- 2410-OSAtlas — 本文 120K 混合中占比最大的数据源（60K，三平台各 20K）。
- 2606-CGL — 已互相反链；一个问 “action 是否 ground 对”，一个问 “学新 app 时旧 app 会不会忘”。
- 2606-DecodableNotGrounded — 方法论上的警示。它证明”能解码”不等于”依赖视觉”；本文四个数据集上近 100% 的 action-type F1 与 60-84% 的 SSR 并存，暗示 action type 分类可能相当程度上由指令文本 prior 决定而非视觉——若做 vision-ablation 对照（灰图输入），F1 掉多少是个值得测的量。
最该做而没做的实验（一句话）：把 Qwen2.5-VL-7B 按 Fast-dVLM 的 direct-conversion 路线转成 diffusion 解码器，在同一份 120K GUI 语料上训练，并在对齐的 token/延迟预算下与它自己的 AR 版本对比——这是唯一能把增益从参数量、预训练语料和数据配方中剥离出来、真正归因到 diffusion 目标的对照。
其他
- arXiv 预印本：
https://arxiv.org/abs/2603.26211（v1 提交 2026-03-27，comments = “Accepted to CVPR 2026”）。Appendix B-F 只在 arXiv 版本中，CVF 出版版本为 10 页正文、不含附录。 - 对 GUI Grounding Robustness 方向最可迁移的一条：本文最稳的两个发现都不在 diffusion 上——分辨率处理与标注边界（icon 紧框 vs OCR text region）对 grounding 精度的影响幅度（+2.64 SSR）与整个 hybrid masking 的贡献同量级。grounding 的鲁棒性瓶颈可能更多在数据侧口径而非解码范式。