Goal
在固定 detector 的 alert 分布上，用同 checkpoint 全分叉测量 GUI agent 异质 recovery operator 的 counterfactual outcome matrix，直接量化 candidate-set oracle 与最优固定恢复协议之间的 recovery-selection headroom（(H_{\text{fork}})），并在 headroom 成立时把该矩阵蒸馏为部署时无需分叉的 outcome-value selector。目标一篇主会论文；positive 与 well-powered negative 均可发表。
Research Plan
关键问题
GUI agent 检测到 mismatch 后，“选哪个恢复动作”是否是一个值得学习的决策问题——即逐点最优选择相对最强固定策略的成功率差距是否 ≥8pp（CI 下界 >3pp）？
Key Idea
三个已有先例的组合（组合无先例，novelty 3/5，双重检索验证，见 MismatchTriage-LongHorizonRecovery-GUI v4）：
- Matched-state counterfactual matrix：每个 first-alert checkpoint 分叉执行全部 feasible recovery macro（含
Continue，共 7 个），冻结 continuation policy，以 state-based terminal verifier 估计 (Q_i(a))——分叉标签免疫 EvoCUA-1.5 暴露的 PRM-hacking 通道。 - Headroom 先于方法：主贡献是 (H_{\text{fork}}) 的直接测量 + Rescue/Harm 分解；selector 只有在 gap confirmed 后才训练。
- Train-with-fork, deploy-fork-free：selector 预测完整 value vector（含 cost 与 side-effect 项），部署时零分叉开销。
分阶段计划（gate 见 idea 文件 Pre-registered decision rule）
| Phase | 内容 | 时长 | Gate |
|---|---|---|---|
| P0 pilot | 30–50 个 first-alert checkpoint 零训练试点（MobileGym JSON fork），回答四问：fork 是否等价 / Continue 是否频繁最优 / best-fixed vs oracle 差多少 / 区分 3pp 与 8pp 需要多少 task×seed | 2–3 周 | 任一答案不理想即 pivot，不训练 selector |
| P1 | alert state bank：两个 base agent + expected-effect detector，分层审计 precision/recall | 3 周 | detector audit 通过 |
| P2 | 全量 counterfactual matrix（AndroidWorld + AW-Extend emulator；成本按 alerts×7×suffix×replicates 预算） | 4–5 周 | fork fidelity gate |
| P3 | gap / kill 决策（零训练）：(H_{\text{fork}}) 主表 + fixed escalation（VLAA-GUI Loop Breaker / LongHorizonUI）强 baseline | 2 周 | Go / Kill / Inconclusive 三态 |
| P4–P5 | rule → prompted → learned selector；end-to-end deployment（(G_{\text{deploy}})，paired hierarchical bootstrap） | 6–8 周 | (R_f\ge50%) |
| P6 | 事后聚类（类别作为实验输出，非先验 taxonomy）+ 写作 | 3–4 周 | — |
Motivation 证据链
- 恢复既能救回也能净伤害：2505-BacktrackAgent 救回 2.37% 但改坏 0.78% 原本正确的动作。
- 固定协议价值高度条件化：2607-TSR 跨 setting 符号翻转；2604-VLAA-GUI Loop Breaker 在 Sonnet@100 仅 +0.04pp、Flash@15 反而 −6.15pp。
- recovery 是实问题但 selection gap 未被测量：2605-GUIRobustEval 专训后 depth-5 Post-Error Success 仍只 33.2%；无工作在同 checkpoint 穷举异质 operator。
- 测量工具已就绪：2605-MobileGym JSON exact fork；2602-VAGEN 交互式 outcome verifier（94.0% precision）可作 (Q_i(a)) 估计的判定器。
Papers
- 2607-RobustExecAgenticRL — 最近邻（VLA 域 learned recovery selection），差异 = matched-state matrix + headroom 测量
- 2604-VLAA-GUI / LongHorizonUI — fixed-escalation 最强 baseline 家族
- 2602-VAGEN — 分叉测量的 outcome verifier
- 2505-BacktrackAgent / 2604-VeriGUI / 2606-OSOracle — shared-detector fixed baselines
- 2606-SRC / 2410-ExACT — train-with-fork deploy-fork-free 先例
- 2605-MobileGym — fork 基建与 USE 指标
Ideas
- MismatchTriage-LongHorizonRecovery-GUI — 核心假设、formal estimand、macro set v4、decision rule（本项目唯一权威来源）
- ForkPoint-CreditAssignment-GUI — 分叉数据训练侧衔接（暂缓）
Progress Log
- 2026-07-21: 立项（Supervisor 指令）。idea v4（18/25，双重检索验证）为准；P0 pilot 为第一行动项。
TODOs
- P0-1: MobileGym fork API 环境搭建与 restore/replay 等价性验证（screenshot / AX tree / app DB 逐项比对）
- P0-2: 预注册可回滚任务子集 + expected-effect detector 的最小实现
- P0-3: 收集 30–50 个 first-alert checkpoint，跑 7-macro 分叉，出四问答案
- 与 Supervisor 确认：base agent 选择（8B 级开源 CUA vs API 模型）、emulator 算力预算
- P0 报告 → go/no-go 决策
Results & Findings
Notes
- 竞争风险：RobustExec 团队向 GUI 域扩展是自然下一步；VLAA-GUI 的消融已把 selection heterogeneity 摆上台面。P0 数据应在 4–6 周内产出。
- 与 AFE-MiniSuite 共享 checkpoint/restore 基建思路，但研究对象不同（recovery selection vs affordance 因果收益），保持独立。