Macaron-A2UI: A Model for Generative UI in Personal Agents

As personal agents evolve to handle complex, user-centric tasks, static plain-text chat is rapidly becoming a bottleneck. Generative UI emerges as the necessary new interface layer, dynamically synthesizing the right controls, options, and state from the interaction context in real time. We present Macaron-A2UI, a model for Generative UI in personal agents. Our goal is to move beyond text-only interaction by enabling agents to generate natural language together with lightweight, executable UI actions for information collection, preference refinement, confirmation, and multi-goal organization. We build a large-scale Generative UI corpus from heterogeneous dialogue sources, introduce A2UI-Bench for controlled evaluation, and train 30B, 235B and 754B models with parameter-efficient LoRA-based supervised fine-tuning followed by reward-driven reinforcement learning. The best Macaron-A2UI model reaches 75.6 overall on A2UI-Bench without explicit schema hints, surpassing the strongest full-schema frontier baseline. We release the models, benchmark, and evaluation protocol to support future work on Generative UI for personal agents.

📋 한 줄 요약

**[Generative UI / Personal Agent]** Macaron-A2UI가 personal agent의 정적 plain-text chat 한계를 넘어 lightweight executable UI action 생성 — 30B/235B/754B 모델을 LoRA SFT + RL로 학습, A2UI-Bench에서 schema hint 없이 75.6점·full-schema baseline 능가.

🎯 핵심 기여도

Personal agent가 복잡·user-centric task를 다루며 진화함에 따라 static plain-text chat이 빠르게 bottleneck이 되고, Generative UI가 interaction context에서 실시간 control·option·state를 dynamically synthesize하는 새 인터페이스 계층으로 부상함을 진단.
Macaron-A2UI 제시 — personal agent의 Generative UI 모델, text-only interaction을 넘어 natural language + lightweight executable UI action을 함께 생성: information collection·preference refinement·confirmation·multi-goal organization 지원.
Heterogeneous dialogue source에서 large-scale Generative UI corpus 구축; controlled evaluation 위한 A2UI-Bench 도입.
30B·235B·754B 3개 모델을 parameter-efficient LoRA-based SFT 후 reward-driven RL로 학습. 최고 Macaron-A2UI 모델이 A2UI-Bench에서 explicit schema hint 없이 75.6 overall 달성, 가장 강한 full-schema frontier baseline을 능가.

💡 핵심 아이디어

Personal agent의 진정한 interaction은 plain text가 아니라 generative UI action을 동반해야 하며, heterogeneous dialogue corpus 위에 LoRA-SFT + reward RL 학습 + explicit schema에 의존하지 않는 inference가 결합되면 schema hint를 제공받는 강력 baseline을 능가할 수 있다.

🔬 기술적 접근법

**방법론**: Macaron-A2UI — Generative UI 모델 + A2UI-Bench + LoRA SFT + RL.
**핵심 기법**: (1) Heterogeneous dialogue source에서 large-scale Generative UI corpus 구축, (2) A2UI-Bench를 controlled evaluation 도구로 도입, (3) 30B·235B·754B 3 모델 학습, (4) Parameter-efficient LoRA-based SFT, (5) Reward-driven RL로 후속 정렬.

📊 주요 결과

최고 Macaron-A2UI 모델 A2UI-Bench에서 75.6 overall, schema hint 없이.
가장 강한 full-schema frontier baseline 능가.
30B~754B 범위 model scale에서의 학습 가능성 검증.
모델·벤치·평가 프로토콜 모두 공개.

💭 의의 및 한계

**의의**: Personal agent의 interface paradigm을 generative UI로 확장, schema-free inference로 실용 배포 단순화, 모델·벤치·프로토콜 공개로 후속 연구 가속. **한계**: A2UI-Bench가 모든 personal agent 시나리오 커버 미보장, 754B 규모 학습의 자원 부담, UI action의 실제 사용자 만족도와 점수 간 격차 가능.

🚀 실용적 활용

Personal agent UI 자동 합성.
Conversational interface에 lightweight UI 통합.
Multi-goal agent의 information collection·confirmation 자동화.