# 空间感知的令牌剪枝

网页图形界面代理靠截图定位按钮和链接，高分辨率截图与多轮历史会带来大量视觉词，推理开销随之上升。STP-GUI 把词选择改成查询引导、空间连贯的窗口级选择，用一个轻量选择器在主干模型冻结的情况下通过策略学习训练。在 Online-Mind2Web 上，保留21%的词时仍保住全量词性能的77.7%，推理延迟降低31%、FLOPs 降低57%；Android in the Wild 上的结果提示该方法可迁移到移动端界面。

网页图形界面代理靠截图定位按钮和链接，高分辨率截图与多轮历史会带来大量视觉词，推理开销随之上升。STP-GUI 把词选择改成查询引导、空间连贯的窗口级选择，用一个轻量选择器在主干模型冻结的情况下通过策略学习训练。在 Online-Mind2Web 上，保留21%的词时仍保住全量词性能的77.7%，推理延迟降低31%、FLOPs 降低57%；Android in the Wild 上的结果提示该方法可迁移到移动端界面。