GUI 智能体的榜单过去只回答一个问题：任务成没成。10 月 14 日提交 arXiv 的 GraceBench（编号 2610.19900）问的是另一问：任务成了，路走稳了吗？它把手机应用的可达交互空间画成一张 UI 变迁图，用视频接地的轨迹在图上逐步对齐，给 3718 条轨迹拍了一张 X 光片——结果显示，一半以上的成功轨迹，中途都偏过或者兜过圈子。
终点合格证为什么不够用
在自动化工作流里，过程不稳的代价是实打实的：多余动作和绕路会污染采回来的数据，执行错误可能留下不可逆的副作用，反复兜底则消耗信任——哪怕任务最后照样完成。而既有基准大多只记最终成功率，最多加几个中间里程碑，步级行为基本是黑箱。对拿 GUI 智能体采数据、做演示的团队，这个问题更尖锐：踉踉跄跄跑完的轨迹，正是训练数据里最该挑掉的噪声，但过去没有尺子去量它。
图对齐加视频接地
GraceBench 的做法分两步。先把每个应用的可达交互空间整理成 UI Transition Graph（UTG）——10 个应用、10 张图、2909 个规范界面态、3116 条观测转移，作为步级诊断的结构参照；再把动态界面观测与图状态对齐，用视频接地的方式给 3718 条轨迹逐步评估。落下来三个过程指标：偏离率（绕没绕远路）、循环负担率（兜圈圈的程度）、恢复能力（跑偏之后拽不拽得回来）。它是一个在线评测框架，而不是一份静态题目集——应用更新之后，图和轨迹可以跟着重采，基准不至于一夜过期。
三个刺眼的读数
其一，51.24% 的成功运行仍然包含偏离或循环——终点达标和过程干净，基本是两回事。其二，GPT-5.6 Sol 拿下了最高的成功率，恢复能力却排在末位；会赢的选手，未必会从踉跄里找回节奏。其三，成功率与完成率都相同的两条轨迹，恢复行为可以差出很远。这意味着只看通过率的榜单，会把「踉跄完赛」和「稳健完赛」混为一谈，而这两类轨迹作为训练资产的价值完全不同。
再往细处想一步，这套指标改变的不只是排名，还有基准的设计哲学。过去攒一个 GUI 基准，重点是攒题目、定通关标准；GraceBench 把重点挪到了轨迹的形态上——同样的终点，走法不同，得分不同。对采数据、做演示、跑自动化的三方团队，这等于多了一把共用的尺子：验收时不再只问「任务完成了吗」，而是「完成得干净吗」。
放进赛道里看
GUI 智能体这条线，本站从「能点对按钮」（434、1034）追到「跨界面操作与授权」（1067、1287），再到年度观察（1464），GraceBench 补的是质量维度：从演示成功走向过程可信。它和上周的「交付债」（1908）是同一个账本的两页——那篇算的是产品化闭环，这篇量的是单步执行。更妙的是和同批 Labelbox（1929）的对照：那边用确定性验证器给轨迹打分，喂给训练；这边用图对齐给轨迹验货，拦在部署前。同一批轨迹，训练侧要打分，部署侧要验货，两边终于都有了工具。
需要保留的怀疑
覆盖面是头一道坎：10 个移动应用、169 个任务，离「GUI 世界」的全貌还远；UTG 的前提是转移图可枚举，遇到动态内容、登录态、弹窗洪流，建图本身就成了工程难题。视频接地给评估增加了管线，也就增加了新的失败面——对齐错了，打分全歪。代码与数据论文称将发布，能不能复现要看放出来的版本。3718 条轨迹是快照，框架一升级，读数可能整体搬家。
目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。给正在用 GUI 智能体采数据的团队一条动作：下次评估别只报通过率，把偏离率和恢复能力一起拉出来——你会惊讶地发现，两个通过率相同的智能体，交出来的数据资产可能差出一个量级。