تتطلب الوكلاء المستقلين في واجهات المستخدم المحمولة (GUI) دقة عالية في عكس الإجراءات لضمان التنفيذ الدقيق على المدى الطويل. حتى الآن، كانت الأساليب المتبعة تعتمد على التفكير متعدد الأبعاد بعد كل إجراء، الأمر الذي يعتبر مكلفًا وغير مناسب لطبيعة تغيرات الحالة الهيكلية في واجهات المستخدم.

ولحل هذه المشكلة، جاء نموذج StepReflect ليطرح طريقة مبتكرة تفيد في عكس تفاعلات واجهات الاستخدام بشكل هيكلي، حيث يعتمد على تنبؤات منظمة مشروطة بمواصفات الانتقال المحددة مسبقًا وأدلة بصرية مرفقة. يتم تدريب StepReflect من خلال سلسلة من الخطوات تتضمن التهيئة الدقيقة بإشراف، والتقطير بين المعلم والطالب، وتحسينات تعتمد على التفضيلات والمكافآت.

نتائج النموذج أظهرت تفوقه، حيث حقق نموذج بحجم 8 مليار معلمة دقة بلغت 82.16% على مستوى الانتقال في منصة AndroidWorld، متجاوزًا نموذج GPT-5.2 بمعدل 11.83 نقطة مئوية عند استخدام نفس المدخلات الهيكلية. وعند اختبار النموذج عبر منصات M3A، وAgent-SAMA، وMAI-UI-8B، وSeed-2.0-Pro، تمكن StepReflect من تحقيق نجاح أكبر في ثلاثة من أربعة تكوينات وكيل، مع الحفاظ دائمًا على نجاح واحد على الأقل في المهمة الرابعة مقارنة بوكلاء GPT-5.2.

كما أن نموذج StepReflect يساهم في تقليل تكاليف API المدفوعة مقارنةً بعكس GPT في جميع التكوينات الأربعة. هذه النتائج تؤكد أن StepReflect يمثل بديلًا عمليًا وقابلًا للنشر محليًا للبناء المنهجي المتكرر من أجل تحقيق النجاح في تفاعلات واجهات الاستخدام المحمولة على المدى الطويل.