长时程 GUI 代理需要视觉历史来保持任务状态，但保存所有截图会显著增加视觉 token 使用量和推理开销。纯文本摘要往往会丢失关键状态信息，导致长时程可靠性下降。ECHOES 通过利用训练阶段的特权信息，引导文本历史压缩并强化长时程推理。
ECHOES 采用 Compression‑Think‑Action（CTA）格式：先压缩当前视觉输入生成文本历史状态，再基于该状态进行思考，最后输出动作。相同模型在接收多图像特权输入时充当教师，对学生在 CTA 回滚中产生的 token 提供密集的 on‑policy 蒸馏。
为平衡特权蒸馏与任务奖励优化，ECHOES 引入感知‑记忆保真度（PMF）Gap 引导的 OPD‑RL 框架，动态调节两者权重，并周期性更新教师模型以持续提升。
我们还构建了 ECHOESBMK 基准，基于真实 GUI 代理失败轨迹提供细粒度诊断，能够同时评估视觉感知和跨模态状态保持能力。
在四个公开 GUI 基准以及 ECHOESBMK 上的实验表明，ECHOES 在任务成功率和记忆保真度上均取得显著提升。部署时无需保留历史截图，即可实现与保留截图方法相当的性能，并在推理成本上具有优势；此外，模型在未见视觉规划任务上表现出正向零样本迁移能力。
点评