K²-Agent: Hierarchischer Lernagent für mobile Geräte mit selbstentwickeltem Wissen

Ein neuer Ansatz namens K²-Agent verspricht, die Grenzen herkömmlicher mobile Geräte‑Controller zu sprengen. Durch die Trennung von deklarativem („Was“) und prozeduralem („Wie“) Wissen arbeitet der Agent wie ein menschlicher Problemlöser und kann komplexe Aufgaben mit langen Planungshorizonten und präzisen Operationen bewältigen.

Der hochrangige Planer des K²-Agents wird aus nur einer einzigen Demonstration pro Aufgabe gestartet. In einem iterativen Summarize‑Reflect‑Locate‑Revise‑Loop (SRLR) verfeinert er sein deklaratives Wissen kontinuierlich, indem er die Aufgabe selbst analysiert und daraus neue Erkenntnisse zieht.

Auf der unteren Ebene wird die Ausführungsroutine mit einer curriculum‑gesteuerten Group Relative Policy Optimization (C‑GRPO) trainiert. Diese Methode baut ein ausgewogenes Trainingsset aus getrennten Belohnungssignalen auf und nutzt dynamische Demonstrationsinjektionen, um dem Modell eigenständig erfolgreiche Trajektorien zu erzeugen.

In der Praxis erzielt K²-Agent auf dem anspruchsvollen AndroidWorld‑Benchmark eine Erfolgsrate von 76,1 % – und das ausschließlich mit Rohscreenshots und Open‑Source‑Backbones. Darüber hinaus zeigt der Agent eine starke Dual‑Generalisation: Seine deklarativen Strategien übertragen sich auf verschiedene Basismodelle, während die prozeduralen Fähigkeiten auch bei unbekannten Aufgaben in ScreenSpot‑v2 und Android‑in‑the‑Wild konkurrenzfähig bleiben.