Highlights
- Computer-use evaluation 正从 generic benchmark 走向 situated deployment：2606-MyPCBench 加入 personal context/logged-in-like state，2606-LabOSBench 加入 scientific instrument control，说明真实 CUA 的难点是多应用、个人上下文、专业参数反馈，而不只是屏幕点击。
- 可靠性评估正在从结果正确转向证据依赖与轨迹安全：2606-VisualFLIP 用 paired flip 测 VLM 是否依赖关键视觉证据，2606-BraveGuard 用 trajectory-level supervision 训练 computer-use guard。两者共同指向 counterfactual/trajectory evaluation。
- Agentic RL 和 World Model 都在系统化：2606-AgentJet 说明 agent RL 进入 distributed swarm infrastructure 阶段，2601-TMoW 则说明 world model adaptation 可通过 test-time mixture routing 处理，而不只是继续堆 video model scale。
Progress by Direction
GUI Agent / Computer-Use
- 本轮做了什么: 新增 2606-MyPCBench、2606-LabOSBench、2606-BraveGuard，并将已有 2606-ENVS 纳入本轮综合。
- 关键发现: GUI/CUA frontier 正从 OSWorld-style general desktop 转向三类高价值环境：personal assistant、多应用专业工作流、trajectory-level safety。benchmark 的 realism 不再只是 live vs simulated，而是是否包含 personal state、permission boundary、feedback-driven adjustment 和 recoverable perturbation。
- 下一步: 把 MyPCBench 的 personalization leakage 与 BraveGuard 的 trajectory safety 合并成一个可评估 runtime protocol。
- 需要 Human 决策: 是。是否把 primary direction 从纯 grounding robustness 扩展为 “agent-facing runtime + safety/privacy verifier”？
VLM / Multimodal Grounding
- 本轮做了什么: 新增 2606-VisualFLIP。
- 关键发现: 单点 accuracy 不足以证明模型真的 grounded；paired perturbation + Collapse Rate 是更强的证据依赖测试。这个 formulation 可直接迁移到 GUI grounding：同一 instruction 下最小改动 UI 证据，如果模型仍点击同一位置，就是 action collapse。
- 下一步: 在 ScaleInvariant-Grounding-GUI 之外新增 “Action Collapse Rate” 类 counterfactual grounding idea。
- 需要 Human 决策: 否。
Agentic RL
- 本轮做了什么: 新增 2606-AgentJet 和 2606-ENVS。
- 关键发现: ENVS 证明 verified search + balanced SFT 可以绕开部分 online RL 不稳定性；AgentJet 则证明如果继续做 RL training，会越来越像 distributed systems problem。没有新的 reward/verifier insight，单纯做 training framework 竞争会很重。
- 下一步: 优先研究 verifier-grounded data construction 和 trajectory selection，而不是再造 RL framework。
- 需要 Human 决策: 是。是否同意放弃旧的 credit assignment 子方向，转向 verifier-grounded reward/data construction？
Embodied AI / World Model
- 本轮做了什么: 新增 2601-TMoW，作为 WorldModel 与 Embodied Agent 的交叉补充。
- 关键发现: TMoW 的 test-time mixture routing 说明 world model adaptation 不必完全依赖单模型 scale。对 GUI/desktop agent 也有启发：不同 app/site 可以视作不同 transition regimes，runtime 可根据 state/domain 选择或混合 app-specific transition/verifier models。
- 下一步: 在 Agent-Friendly Environment proposal 中加入 “runtime model routing” 作为长期 extension，而不是当前最小实验。
- 需要 Human 决策: 否。
Hyperbolic Manifold
- 本轮做了什么: 做了轻量检索，未发现与当前 GUI/VLM/AgenticRL 主线直接相关的高信号 2026-06 新论文。
- 关键发现: 当前主线产出更集中在 CUA environment、安全、VLM counterfactual grounding 和 agent RL infrastructure；Hyperbolic 方向本轮不应强行跟进。
- 下一步: 暂停，除非出现能服务 GUI hierarchy / UI graph / memory routing 的明确连接。
- 需要 Human 决策: 否。
New Discoveries
| Paper | Why it matters | Direction |
|---|---|---|
| 2606-MyPCBench | personal context / logged-in-like state 是 real assistant 缺口 | GUI/CUA |
| 2606-LabOSBench | scientific instrument control 把 CUA 接到 auto-research execution | GUI/CUA, AutoResearch |
| 2606-BraveGuard | trajectory-level guard 比 prompt-level safety 更贴合 CUA | GUI/CUA Safety |
| 2606-VisualFLIP | paired flip + Collapse Rate 可迁移为 GUI Action Collapse Rate | VLM, Grounding |
| 2606-AgentJet | agent RL 正进入 swarm infrastructure 路线 | AgenticRL |
| 2601-TMoW | test-time mixture routing 是 world model adaptation 的简洁路径 | WorldModel |
| 2606-ENVS | verified search + balanced SFT 是比直接 online RL 更稳定的数据路线 | AgenticRL, GUI |
Synthesis
这轮横向扫描后的 mental model 更新是：GUI/CUA 的下一阶段不是单纯更强模型，而是 environment-native evidence loop。这里的 evidence 有四种形式：
- State evidence: MyPCBench 里的 personal context、LabOSBench 里的 instrument state。
- Counterfactual evidence: VisualFLIP 的 same-question visual flip，可迁移到 GUI action flip。
- Trajectory evidence: BraveGuard 的 trajectory-level risk supervision，ENVS 的 successful-leaf filtering。
- System evidence: AgentJet/AsyncWebRL 这类 infrastructure 说明 agent training 的瓶颈在 runtime heterogeneity、fault tolerance、context overhead。
因此，比起继续问“模型如何从截图中预测下一个动作”，更重要的问题是：环境能否以 non-oracle、privacy-aware、actionable 的方式暴露足够证据，让 agent 学会、验证并安全恢复？
Candidate Ideas Spawned
- EvidenceDependence-GUIGrounding: 将 VisualFLIP 的 paired flip 改造成 GUI Action Collapse Rate，测 grounding 是否真的依赖 UI 证据。
- PersonalizedSafety-CUA: 结合 MyPCBench 与 BraveGuard，研究 personal CUA 中的 privacy-aware trajectory guard。
Questions for Human
- 是否同意把 GUI primary direction 从 “grounding robustness” 扩展为 “evidence-dependent grounding + agent-facing runtime verifier”？
- RL Training 是否正式从 credit assignment pivot 到 “verified search / balanced data construction / runtime verifier”？
- 对 personal assistant safety 方向，是否愿意优先做小规模 benchmark/protocol，而不是等完整环境？
Resource Usage
- Papers read: 6 篇新增 abstract-level digest + 1 篇已有 ENVS 纳入综合。
- Reports created: 1。
- Ideas created: 2。
- API tokens consumed: 未统计。