本研究提出了VeriSafe Agent (VSA)，旨在提高移动GUI代理执行指令的可靠性。通过将自然语言指令转化为可验证的规范，VSA确保代理行为与用户意图一致，从而显著提升动作验证准确率和任务完成率。

本研究提出了AppVLM，一种轻量级视觉语言模型，旨在解决手机助手的适应性和计算成本问题。通过在AndroidControl数据集上进行细调，并在AndroidWorld环境中训练，AppVLM显著提高了任务完成率和行动预测准确性，展示了其在实际应用中的高效性和实用性。

本文提出了一种结合自然语言与模仿学习的方法，以提升机器人在复杂任务中的控制能力。实验验证了该方法在机器人操作中的有效性，显著提高了任务完成率和泛化能力。研究还介绍了语言条件化技能发现和自动化演示生成系统等技术，旨在降低数据需求并提升学习效率。

本研究提出了一种名为合作计划优化（CaPo）的方法，旨在解决基于大型语言模型的智能体间的合作问题。CaPo通过元计划生成和进度适应两个阶段，确保参与者的长期战略与协作计划，从而显著提高合作效率。实验结果表明，CaPo在任务完成率和效率上优于现有方法。

本研究探讨了视觉语言模型代理在面对对抗性弹出窗口攻击时的脆弱性，攻击成功率高达86%，导致任务完成率下降47%，表明现有防御技术无效。

本研究提出了一种新方法，通过多模态验证和自我精细化提升网络代理在复杂任务中的表现，将WebVoyager基准的任务完成率从76.2%提高到81.24%，增强了数字助手在复杂场景中的可靠性。

研究者通过强化学习探索多智能体间的自然语言通信，提出多种方法以提高沟通效率和任务完成率。实验表明，自然通信能有效激励学习，提升任务表现。

本文探讨了基于大型语言模型的智能代理在网络任务中的应用与挑战，提出了Self-MAP和MMInA等框架和基准任务，以提高代理的任务完成率和交互能力。实验表明，代理在复杂环境中的表现仍需提升，特别是在长时间任务中的工作记忆管理。