ST-Lite：面向长程 GUI 智能体的免训练空间轨迹引导 KV Cache 压缩框架
文章背景与核心概要
ST-Lite 是一款专为视觉语言 GUI 智能体设计的创新型免训练 KV Cache 压缩框架，旨在解决智能体在内存和延迟受限环境下的部署难题。传统的 KV Cache 压缩方法主要针对通用语言任务，在 GUI 场景下往往表现不佳，在标准预算下仅能保留约 39% 的关键 KV 对。
该研究深入分析了 GUI 任务的三大核心工作负载特性：高帧间视觉冗余、极小的 UI 元素空间占用以及近乎均匀的跨层注意力稀疏性。针对这些特性，ST-Lite 引入了轨迹感知语义门控（TSG）、组件中心空间显著性（CSS）和扁平化层级预算分配策略。实验表明，在七个 GUI 基准测试中，ST-Lite 在 20% 的缓存预算下即可达到甚至超过全量缓存的准确率，并实现了高达 2.35 倍的解码加速。
论文概览
| 领域 | 详情 |
|---|---|
| 标题 | ST-Lite: Training-Free KV Cache Compression with Spatio-Trajectory Guidance for Long-Horizon GUI Agents |
| 作者 | Bowen Zhou, Zhou Xu, Wanli Li, Jingyu Xiao, Pingan Gan, Haoqian Wang |
| 主要学科 | 计算机视觉与模式识别 (cs.CV) |
| 次要学科 | 人工智能 (cs.AI), 机器学习 (cs.LG) |
| 状态 | 已被 EMNLP 2026 Findings 录用 (最终版，37 页) |
| arXiv 标识符 | arXiv:2603.00188 |
| 官方仓库 | GitHub - ST-Lite |
Field Details Title ST-Lite: Training-Free KV Cache Compression with Spatio-Trajectory Guidance for Long-Horizon GUI Agents Authors Bowen Zhou, Zhou Xu, Wanli Li, Jingyu Xiao, Pingan Gan, Haoqian Wang Primary Subject Computer Vision and Pattern Recognition ( cs.CV)Secondary Subjects Artificial Intelligence ( cs.AI), Machine Learning (cs.LG)Status Accepted to Findings of EMNLP 2026 (Camera-ready, 37 pages) arXiv Identifier arXiv:2603.00188 Official Repository GitHub - ST-Lite
摘要
在内存和延迟受限的情况下部署视觉语言 GUI 智能体时，免训练 KV Cache 压缩至关重要。然而，现有的压缩方法大多是为通用语言工作负载设计的，忽略了 GUI 交互轨迹的独特结构。
Training-free KV cache compression is essential for deploying vision-language GUI agents under memory and latency constraints, yet existing methods are designed for generic language workloads and ignore the distinctive structure of GUI interaction traces.
作者总结了导致现有方案在 20% 标准预算下仅能保留约 39% 重要 KV 对的三个 GUI 特有工作负载属性： 1. 高帧间视觉冗余。 2. 极小的 UI 元素空间占用。 3. 近乎均匀的跨层注意力稀疏性。
The authors characterize three GUI-specific workload properties that cause existing schemes to retain as few as 39% of oracle-important KV pairs at the standard 20% budget: 1. High inter-frame visual redundancy. 2. Extremely small UI-element spatial footprints. 3. Near-uniform cross-layer attention sparsity.
为了解决这些局限性，ST-Lite 引入了一种免训练压缩方案，其每个组件都针对特定属性进行优化： * 轨迹感知语义门控 (TSG)： 过滤冗余的历史帧。 * 组件中心空间显著性 (CSS)： 保留细粒度的元素边界。 * 扁平化层级预算 (Flat Per-Layer Budget)： 避免层级分配失误。
To address these limitations, ST-Lite introduces a training-free compression scheme where each component targets a specific property: * Trajectory-aware Semantic Gating (TSG): Filters redundant historical frames. * Component-centric Spatial Saliency (CSS): Preserves fine-grained element boundaries. * Flat Per-Layer Budget: Avoids hierarchical misallocation.
在 10%–40% 的部署相关预算窗口内，ST-Lite 在七个 GUI 基准测试和两个骨干网络上始终优于所有现有的压缩基线。在 20% 的预算下，它在主干网络上的任务准确率达到或超过了全量缓存（Full Cache），同时在五倍压缩下实现了高达 2.35 倍的解码加速。
Across seven GUI benchmarks and two backbones in the deployment-relevant 10%–40% window, ST-Lite consistently outperforms all existing compression baselines. It matches or exceeds Full Cache task accuracy on the primary backbone at the 20% budget while delivering up to a 2.35× decoding speedup at fivefold compression.
提交历史
- [v1] 2026 年 2 月 27 日，星期五，01:27:20 UTC (11,919 KB)
- [v2] 2026 年 8 月 25 日，星期二，15:47:14 UTC (7,263 KB) — 当前版本
- [v1] Fri, 27 Feb 2026 01:27:20 UTC (11,919 KB)
- [v2] Tue, 25 Aug 2026 15:47:14 UTC (7,263 KB) — This current version