ReVision: Scaling Computer-Use Agents via Temporal Visual Redundancy Reduction

ReVision 针对 computer-use agent 的轨迹历史：连续 GUI screenshot 变化很小，但每张都被编码成大量视觉 token。方法训练一个 learned patch selector，对比连续截图的 patch representation，删除冗余 visual patches，同时保留多模态模型需要的空间结构。在 OSWorld、WebTailBench、AgentNetBench 上，Qwen2.5-VL-7B 处理 5 张历史截图时平均 token 用量下降 46%，成功率还比 no-drop baseline 高 3%。这说明 GUI agent 的长历史能力不一定先靠更长 context，先去掉时间冗余就能打开有效历史窗口。