核心结论

三种机制在文献里都有成型做法,但没有一种在真实 GUI 上拿到过”同预算对照下的净增益”。

  • 知识注入:静态文档整卡注入的净效应随 backbone 变号(AppCards GPT-5 +4.3pp、Grok-4-fast −0.9pp,Hard 任务 +21 对 −21);按步、按状态对齐的选择性注入才有稳定增益(ExpActivator 轨迹内 +8.24 [6.51, 10.16],四个 baseline 全跨零);在线积累的知识模块在步数配平后输给 vanilla(SkillMemoryBudget 三个模型全败)。联网搜索只在”新任务”上有用(Resource2Skill 标准任务 +0.7、新任务 41.2→62.8);在失败被诊断为”知识缺口”时触发是最有证据的用法,而 LearningFromFailure 里它是四个模块中增益最小的一个(41.67→44.44)。
  • 任务分解:同一套 Manager/Worker 层级在 GPT-4 时代 +4.62/+6.15(Agent S2),换成 GPT-5 后拆掉它反而 +9.1 且调用减半(Agent S3);token 配平的 260 组实验平均 −0.3%,基线超过 ~45% 后回报转负(ScalingAgentSystems);本地 Qwen3-VL-8B / 30B-A3B 作 planner、GTA-1-7B 作 grounder 的两段式,在有截图历史(H≥1)时低于单 agent 且 token 多 3–5 倍,无历史时则持平或略高(LocalCUAScaling)。唯一对冻结 executor 做干净对照的是 CES:训练 coordinator、不动 executor,在四个 executor 上都涨;而用 GPT-5 当 prompted planner 反而把 AMEX 从 43.69 拉到 35.80,把 UI-R1-3B 从 32.49 拉到 14.44。
  • 验证后重派:outcome verifier 本身已可用(IRA 86.9%、VAGEN 92.9%),但 trajectory judge 的主错误是 over-accept(OSReward 2/3 错误为”没做完却判完成”,16 步后 FP 0.20→0.37),而这正是让重派不会被触发的那类错误。“诊断后重派 vs 同预算盲重跑”只有 CUAMaster 一个对照(20/1 预算:31.5% → 83.7%),且测的是数据产出率不是部署成绩。回传内容的共识是”只描述失败和最早分歧步,不给解法”;续跑位置的证据是”错误近则倒回,错误远则注入提示”(AndroidFlux +8.76/−1.01 对 +3.41/+5.86)。显式恢复 agent 对弱 policy 为正、对 post-trained 强 policy 为负(ReTrace Qwen3.5-9B 39.38→44.26,EvoCUA-32B 54.88→51.55)。
  • 三条线共享一个决定符号的变量:注入 frozen GUI model 的信息粒度与时机。整文档、整计划、整轨迹的注入都出现过负例;按当前步、当前状态选出的片段才稳定为正。
  • 三条线也共享同一个缺口:缺 budget-matched 对照。这与 Harness-Component-Attribution 的结论一致:harness 增益集中在本来会失败的轨迹上,对本来会成功的轨迹为负。

问题设定

“非侵入式”在此指 GUI model 权重与推理接口不动;调度层可以是 prompt、工具、外置模型或训练过的外置模型(CES、2604-ActiveContextCurator、RAG-GUI 的 adapter 均属后者)。三个候选机制对应文献里三条既有线:

候选机制文献对应调度器需要决定的事
知识注入web/tutorial/manual RAG、app card、skill library、experience memory何时检索、取多少、注入到 system prompt 还是当前步
任务分解Manager/Worker、DAG、subtask contract、state tracker谁拆、拆多细、子任务回报什么、何时重拆
验证后重派outcome verifier / judge、failure→patch、rollback retryverifier 看什么、与 executor 的独立性、回传什么、从哪续跑

1. 知识注入

已有做法

方法知识来源时机注入位置同 backbone 结果对照
Agent S v1(2410-AgentS)Perplexica 在线搜索 + narrative/episodic memoryweb 搜索只在 Manager 规划时(任务开始、Worker FAIL 后重规划);episodic 经验按 subtask 检索Manager/Worker promptOSWorld test_sub 65 题、GPT-4o、单项去除:去 web knowledge 26.15→16.80,w/o All 13.85 vs baseline 10.77;步数上限未写明无预算配平;单次运行无方差
2500-RetrievalAugmentedGuiAgents RAG-GUIweb tutorials按 query + 已执行动作检索轻量 VLM 生成 guideline 给冻结 agent+2.6%–13.3%;k=3 最优adapter 需 SFT+RSF 训练;笔记为 abstract 级
GUIDE(2603-GUIDEWebVideo,ECCV 2026;与 CVPR 同名 benchmark 无关)YouTube 教程视频实时检索 → VLM pairwise 标注 → Planning / Grounding 两类知识任务级一次性(K≤2 条视频)planning prompt + grounding prompt 双通道OSWorld 361 题 50 步:Seed-1.8 +7.48、Qwen3-VL-8B +5.83(baseline 为引用值)、Agent S3 +4.47;planning 通道占 86–91%,grounding-only 仅 +0.41;同检索源改注入原始轨迹 −1.94无 budget-matched;除 120 题子集外无 seeds;k 消融只在 50 题子集
2511-OnlineVideoLearning(Liu et al.,非 Watch & Learn)教程视频 → 轨迹按步选单条轨迹in-context demo+2.1–3.5;文本教程反而 46.8→44.0source-checked
MAGE(2610-MAGEManuals)文档 section 检索一次性固定 planplan promptCalc 仅 RAP 14.47→25.53;PO 后模型上排名 6–10 section 退回无计划水平(14.89),随机 section 仍有 27.66(单次运行)source-checked
2601-AppCards开发者文档 + 历史轨迹整理成每 app 一张卡任务前按涉及 app整卡入 system promptGPT-5 84.5→88.8(Hard 57.9→78.9);Gemini 2.5 Pro 约 +6;Grok-4-fast 61.2→60.3(Hard 52.6→31.6)同 harness 同步数;无 token 配平;curiosity 触发零消融
2609-ExpActivator历史轨迹的步级经验每步按状态对齐检索当前步 contextQwen3-VL-8B 轨迹内 +8.24 [6.51, 10.16];四个 baseline −0.80~−0.07 全跨零;目标级检索只帮首步四 backbone 一致 +8.24/+5.67/+3.74/+2.38
2605-MMSkills公开轨迹生成的多模态 skill package按步 gated branch 加载旁路返回 guidanceGemini 3.1 Pro 44.08→50.11;Qwen3-VL-8B 10.78→25.40全量直插因 context pollution 反而伤
2606-LearningFromFailure Knowledge Supportcomputer.search + LibreOffice 手册失败诊断后设计,运行时按需调用harness 工具OpenCUA-72B 41.67→44.44(四模块中最小);Full 52.74无盲重跑对照
2606-Resource2Skill视频/repo/文章蒸馏的 skill wiki行动前 BM25+LM 选 5;覆盖不足时在线获取MCP 工具4 backend×7 域 56.8 vs 45.0;在线获取标准任务 +0.7、新任务 41.2→62.8;dense 60.0 < BM25 66.0作者自认缺 matched-token raw RAG 对照;非截图 GUI
2606-SkillMemoryBudget(对照研究)AWM / ASI / ReasoningBank 在线积累每任务actor prompt模块 10 步 vs Vanilla 15 步:Gemini 3 Flash 50.74 对 44.98/47.86/45.54,三模型 Vanilla 全胜约半数”成功”资产来自失败轨迹;any-of-3 对 all-of-3 差 18.7pp
2607-KnowActGUIClawReasoningBank 式经验 + 状态校验 skill行动前语义检索advisory contextQwen3.5-35B 24.8→34.5(host)→37.9(+skills);397B 40.7→43.3→46.2host 脚手架占大头;117 任务无显著性检验

证据边界

  • 符号随 backbone 翻转。AppCards 同一张卡让 GPT-5 Hard +21pp、Grok-4-fast Hard −21pp(各 19 题,单 run)。MMSkills、KnowAct 上弱模型涨更多,Resource2Skill 上 Nano 涨最少,“弱模型受益更多”不是稳定规律。
  • 加载方式与知识本身同等重要。MMSkills 全量直插、2511-OnlineVideoLearning 的文本教程基线、MAGE 低排名 section(退回无计划水平,属无增益而非有害)、2606-ViLoMem 跨域记忆(MMMU 69.90→65.14)都是负例;GUIDE 的 grounding 元素数 k 在 50 题 Seed-1.8 子集上 k=5 最高(53.81),k>5 回落但非单调(k=7 47.88、k=10/15 48.66),且全集主实验单模型默认 k=7;RAG-GUI 最优 k=3。
  • 预算配平几乎全缺。有配平的唯一一份(SkillMemoryBudget)里在线模块全输;离线摊销库(Resource2Skill、SkillWeaver)被明确排除在该批评范围外。
  • 自生成知识会被污染:SkillMemoryBudget 约半数 workflow 来自失败轨迹;2609-RSIAgent 的 verifier 误判 PASS 会把错规则固化进记忆。
  • 联网搜索的边际价值集中在覆盖缺口:Resource2Skill 新任务 +21.6pp 对标准任务 +0.7;LearningFromFailure 里 Knowledge Support 增益最小。

对调度器的含义

  • 不要默认”任务开始就搜一次、整段塞 instructions”。证据支持的形态是:按当前步/当前屏选小片段(k≤5)、与状态对齐、放在当前步而非 system prompt。
  • 搜索触发应由失败诊断驱动(“知识缺口”类失败),而非常开。这把机制 1 变成机制 3 的一个分支。
  • 必须有 vanilla + 等量步数/token 的对照臂,否则无法区分”知识”与”多给了预算”。

2. 任务分解

已有做法

方法谁拆传给 executor 什么回传/重拆executor 冻结结果对照
2504-AgentS2通用 LLM Manager一个 subgoal → Worker → MoG groundingsubgoal 返回 SUCCESS/FAILURE 后重生成剩余计划全 off-the-shelfOSWorld 50 步 34.5;PHP 消融 +4.62/+6.15(65 题子集)token 约 ×2 未报;Manager 只见 SUCCESS/FAILURE
2510-ScalingAgents Agent S3不拆,flat policy 每步重规划——GPT-5OSWorld 100 步:S2 48.8 → S2 去层级 57.9(+9.1,调用 −43.8%)→ S3 62.6作者:“hierarchical planning 反而会让 subgoal 变 stale”
2606-TrainingHighLevel CES训练的 Qwen2.5-VL-7B Coordinator(GRPO,奖励来自 executor 动作)+ Qwen3-4B State Tracker每步一条原子指令 + 语言状态每步冻结且可换GUI-Owl-32B GUI-Odyssey SR 39.60→56.75;去 Coordinator 48.48→33.27;GPT-5 当 prompted planner AMEX 35.80 < baseline 43.69;CES-P 把 UI-R1-3B 32.49→14.44离线动作级指标;State Loss 14%→2%,但 executor 自身 perception 错误不变
2508-CoAct1Orchestrator(o3)子任务给 Programmer 或 GUI Operator,执行后清空记忆、摘要上报按摘要 + 最新截图动态闭源 off-the-shelfOSWorld 60.76;GUI-only 50.68;Programmer-only 35.73;o4-mini/o4-mini 43.43增益主要来自 coding 模态与 orchestrator 强度,不是粒度
2606-MACUManager 建 DAG节点目标 + 关键上下文,并行子 agent加/删/改节点未说明OSWorld +3.4、WebTailBench +25.5无成本/调用数对照;无错误传播分析
2608-LongHorizonHarness MEAManager 持结构化状态subtask contract(目标、验收标准、边界、相关历史),executor fresh context每轮从审计状态;executor 声明不更新状态Claude Code 原生 loopTerminal-Bench 69.7→77.2(配平);OSWorld 未配平无角色消融;auditor 占 19–38% token;“误读 contract 会被自信地验证通过”
2607-StateAct主 agent 按程序状态渲染类子目标给 GUI 子 agent每步重注入 checklist可换Opus 4.8 20.6→26.9 / 54.8→61.6;GUI 子 agent 只占 1.1% 步去 act-on-state 51.3 比去 plan 58.7 伤更多
2607-TSR同 backbone 外置 state updater(只标注不派发)JSON:分解/已完成/当前/剩余每步固定MobileWorld Qwen +12.00、Kimi +9.00;AndroidWorld Qwen −3.45过度分解超步数预算;误标”已完成”会传播
2605-TeamBench(code)Planner摘要 brief单轮off-the-shelfTeam−Solo +0.5(p=0.20);Q1 +15.7,Q3–Q5 −6.8~−10.1规格关键 token 召回 planner 0.79 → executor 0.24
2512-ScalingAgentSystems(非 GUI)260 组架构———token 配平均值 −0.3%;基线 >~45% 回报转负(β=−0.236);独立 agent 错误放大 17.2×PlanCraft 所有架构 −39~−70%
LocalCUAScalingplanner+grounder 两段plan—planner Qwen3-VL-8B/30B-A3B,grounder GTA-1-7BH≥1 时低于单 agent、token 多 3–5 倍,H=0 时持平或略高;plan 与视觉状态不对齐、格式解析失败并行 P∈(1, 2, 4) 只部分挽回;单次运行、图读数

证据边界

  • 层级是否有用取决于 backbone 强弱,且证据方向冲突:S2 +4.62/+6.15 对 S3 +9.1;TeamBench 仅弱 Solo 分位为正;ScalingAgentSystems 基线 ~45% 以上转负;TSR 按 benchmark 变号。
  • 丢失发生在下传与上报两端:TeamBench 规格召回 0.79→0.24;S2 Manager 只见 SUCCESS/FAILURE;CoAct-1 反思只见最后一张截图。MEA、CES、StateAct 用 contract / 语言状态 / checklist 补这一端,但 MEA 仍记录误读 contract 会被自信地验证通过。
  • 几乎没有配平:S2 token ×2 未报;MACU 无成本对照;MEA OSWorld 是 GUI-only 对 GUI+CLI;只有 ScalingAgentSystems 配平,配平后均值为负。
  • 并行分解放大错误(独立 17.2×、集中式 4.4×),GUI 方法无一测量。
  • 分解常不是主因:CoAct-1 的增益来自 coding 模态与 o3;StateAct 的 GUI 子 agent 只占 1.1% 步。

对调度器的含义

  • 对强 backbone(OSWorld 45–50% 量级以上)默认不做静态层级分解;分解只在 verifier 诊断为”任务过长/状态丢失”时按需触发,或只做 TSR 式的状态标注而不派发。
  • prompted planner 会伤:CES-P 中是强 planner 配弱 executor,LocalCUAScaling 中是弱本地 planner 加严格格式依赖,两者机制不同;CES 的路径是训练 coordinator 而冻结 executor,这仍属”非侵入”(不动 GUI model),是目前唯一有干净对照的正例。
  • 子任务下传必须带验收标准(MEA contract 形态),这与机制 3 的 completion conditions 可以是同一个对象。

3. 验证后重派

已有做法

方法verifier 看什么与 executor 独立回传给 executor续跑/重置结果verifier 精度与边界
2607-InteractiveRewardAgent IRAProposer 从指令 + 首末截图写 completion conditions;Interactive Verifier 用系统/应用/GUI 工具逐条核同一 VLM 做 propose+verify,与被判 agent 不同无(RL reward)—RL:script 34.9 vs IRA 34.0;无 script 任务 33.586.9% acc vs DistRL 78.8;κ=0.84(LibreOffice 0.62);GUI-only 消融 precision↑ recall↓;错误主要在 propose 阶段的条件错位;状态污染率未报
2610-VeriCUAJudge 写 3–5 条 check,只把 unresolved 交给冻结的 observe-only Probe独立 4B Judge + 独立 Probe无(GRPO reward)Probe 续跑Actor Pass@4 43.93→47.14;K=0 74.09 → K=2 82.00OSWorld 上对 zero-shot GPT-5.4 仅 +0.12;Probe 可能改变 UI 状态,标签在 Probe 前记录
2602-VAGEN轨迹记忆 + 工具三阶段(静态→回溯→主动探测)Sonnet 4.5 独立无,只做 Best-of-N 选择—N=5 追平 baseline N=8OSWorld 人评 92.9 acc;弱 actor 下 judge precision 崩到 ~75% 而 VAGEN 88.5;副作用只靠 soft prompt
2607-OSReward末 5 张截图 + 每步 thought/action,无工具独立——无下游实验Hard set 最佳 69.7 = 恒判 fail;“没做完判完成”≈2/3 错误;OSWorld 88% 错误为假阳;16 步后 FP 0.20→0.37
2504-AgentRewardBench截图/AXTree + 轨迹独立———无 judge precision >70%;副作用 precision 7–14%
2611-CUAMasterannotator 读 verifier residual + 轨迹 + 环境”更强模型”;用 policy 自判只有有限增益最早分歧步 ŝ + 只描述失败的反馈 F,不给解法回滚到 ŝ 前快照,保留前缀同 retry 预算对从头盲重跑:5/1 74.0→95.4;20/1 31.5→83.7;40/3 14.6→49.8;50/8 0.0→18.7测的是数据产出率;detector 精度未报
2604-VLAA-GUICompletion Gate(任务改写为 1–3 条 UI 可观测标准)+ Model Judge同 backbone 低温reject 理由追加进轨迹;Loop Breaker 分级;Reflection Agent 只许 KEEP/SWITCH 不许推荐动作当前状态续跑Opus 4.6 OSWorld 77.45;Sonnet 4.6 @100 去 Verifier −2.9pp;Flash @15 加 Verifier −11.3pp(有害);Flash @50 去 Verifier 63.14→66.00;WAA Office 去 Verifier 32.6→11.6DONE precision 69.6→73.5,约 1/4 被接受的完成仍错;无盲重跑/配平对照
2606-LearningFromFailure失败轨迹(由环境 reward 判定)Claude 4.5 Sonnet 独立跨任务 code patch,人工轻校验重置OSWorld 42.3±2.6 → 48.9±1.2无盲重跑对照;诊断精度未报
2610-AndroidFluxdetector–verifier 两阶段未说明rewind 或 inject两者直接对比错误 ≤3 步前:rewind +8.76、inject −1.01;≥7 步:+3.41 / +5.86;差 +12.22 [4.1, 20.8]detector precision 90.8 / recall 50.8;2B/4B 模型自救 0 例
2610-ReTrace(Lost in Recovery)error-step / recovery-step detector(Qwen3.6-Plus)恢复 agent 同 backbone显式恢复提示续跑显式比隐式平均 +17.86;端到端 Qwen3.5-9B 39.38→44.26,EvoCUA-32B 54.88→51.55,UI-TARS-1.5-7B 17.25→15.74post-trained 模型为负,但两组规模/家族/动作空间同时不同
2505-BacktrackAgent规则 verifier + 训练 Judger分别训练的 7B已试动作 + 失败页面,强制换动作单步回退Mobile3M +5.65;模拟页面仅 +0.70detection P 75.12 / R 43.58;8.48% 真错里只救回 2.37%
EvoSkill-GUI信息隔离的同 backbone critic同 backbone 但信息隔离修订 skill 文件重跑MobileWorld 三轮 69.5% vs pass@3 62.8%;去隔离 −8.57critic 人工审计 80.4%
Agent S3 bBoN(2510-ScalingAgents)Behavior Narrative judge 比较 N 条轨迹同 backbone无(选择)—62.6→69.9(N=10)judge 与 benchmark 一致率 78.4%

证据边界

  • Verifier 精度足够触发重派,但主错误类型不利于重派:over-accept 占 2/3(OSReward),VLAA-GUI 加了 verifier 后仍有 1/4 被接受的完成是错的,AndroidFlux / BacktrackAgent 的 recall 只有 50.8 / 43.58。被漏判”完成”的任务永远不会进入重派。
  • 用环境探测的 verifier 比被动 judge 好(IRA 86.9 对 78.8,VAGEN 92.9),但探测本身会改状态(VeriCUA 在 Probe 前先记标签),IRA 未报状态污染率。
  • “诊断后重派 vs 盲重跑”只有 CUAMaster 一个同预算对照,且是数据产出率;部署场景无一测过。VLAA-GUI 的 verifier 在 Flash @15 为 −11.3pp,说明弱模型紧预算下验证的步数开销可以压过收益。
  • 回传内容的共识是”失败现象 + 最早分歧步,不给解法”(CUAMaster、VLAA-GUI Reflection 禁止推荐动作、2606-HiViG 错误类别+解释);同 backbone 自评普遍偏弱或偏保守(2608-StepReflect GPT-5.2 零样本 neg 95.10 / pos 51.39;2602-CATTS 同模型仲裁推翻正确共识 35.0 对 46.9;BacktrackAgent 自救 2.37/8.48)。
  • 续跑位置:错误近则倒回快照、错误远则在当前状态注入提示(AndroidFlux);回退只在真实环境有效(BacktrackAgent 模拟页面 +0.70)。
  • 显式恢复 agent 对强/post-trained policy 为负(ReTrace),与 Harness-Component-Attribution “增益集中在失败轨迹、对成功轨迹为负”一致。

对调度器的含义

  • IRA 的 propose-then-verify 已经是机制 3 的 verifier 主体;缺的是 (a) 把 completion conditions 前置到执行前,让它同时做机制 2 的 subtask contract 与机制 3 的 checklist(VLAA-GUI Completion Gate、MEA acceptance criteria 已分别这样做);(b) 重派时回传”哪条 condition 未满足 + 最早分歧步”,不回传整条轨迹或解法。
  • 必须有盲重跑臂(同 retry 预算、不带诊断),即 FailureConditionedRetry-GUI 的 A0/A1。没有它,CUAMaster 之外没有任何证据说明”带诊断”比”再跑一次”强。
  • 重派前要选策略:倒回 vs 注入 vs 重拆 vs 补知识。这就是 CUA-Survey §6.13 的 “recovery policy selection” 缺口,也是 MismatchTriage-LongHorizonRecovery-GUI 的出发点。

跨机制:一个统一的设计

三个机制可以收敛到一个对象和一个路由:

  1. 一个对象:任务开始时由 proposer 写出 1–3 条 UI 可观测 completion conditions(IRA 的 propose 阶段、VLAA-GUI 的 Completion Gate)。它同时是子任务 contract(机制 2)、verifier checklist(机制 3)和重派反馈的坐标系(“第 2 条未满足,最早分歧在第 k 步”)。IRA 的错误主要来自 propose 阶段的条件错位,所以这个对象的质量是整个调度器的上限,值得单独评测。
  2. 一个路由:verifier 判 FAIL 后,诊断类型决定下一步。知识缺口 → 触发搜索并按步注入(机制 1);状态丢失/任务过长 → 重拆或 TSR 式状态标注(机制 2);局部误操作 → 倒回快照 + 失败描述续跑(机制 3);错误久远 → 当前状态注入提示。每条路径都要有同预算的盲重跑对照。
  3. 按 backbone 门控:三条线的负例都出现在强 backbone 或 post-trained 模型上。调度器的默认目标是抬 floor 而不是抬 ceiling,实验结果应按 baseline 分位报告(TeamBench 分位表的做法)。

最小实验(冻结 executor,零训练):A0 单跑 / A1 同预算盲重跑 / A2 诊断后重派(失败描述 + 分歧步,倒回) / A3 A2 + 诊断驱动的按步知识注入 / A4 A2 + 按需重拆。主指标是 A2–A4 相对 A1 的 Δ,按 baseline 分位拆开报。

未入库论文(digest 候选)

arXiv简称用途
2410.08164Agent S v1已入库 2410-AgentS(11-06):26.15→16.80 核实,口径见 Evidence boundary
2603.26266GUIDE(知识注入)已入库 2603-GUIDEWebVideo(11-06):+4.47–7.48 核实;“k=5 最优”降级为子集结论
2511.041372511-OnlineVideoLearning文本教程负例 46.8→44.0
2610.230122610-MAGEManuals低排名 section 零增益
LocalCUAScaling本地模型两段式分解弱 planner + 格式依赖时为负,仅 H≥1 成立
2609.17653EvoSkill-GUI唯一带 pass@3 对照的 GUI reflect→retry(停止信号为同 backbone critic 自评;最终 SR 计哪次执行未说明)
2605.28607Adaptive Multimodal Agentsverifier retry verdict,但 SR ~1%,信息量低

Evidence boundary / 待核查

  • 数字来自 Papers/ 笔记(已抽查核对 AppCards、SkillMemoryBudget、LearningFromFailure、MMSkills、RSIAgent、ExpActivator、CES、Agent S3、TSR、CUAMaster、VLAA-GUI、AndroidFlux、ReTrace、BacktrackAgent、CoAct-1、VeriCUA、VAGEN、OSReward、TeamBench、ScalingAgentSystems、StepReflect、CATTS)与 2026-11-06 的 web 抓取(标”未入库”者,未经全文核验)。
  • RAG-GUI 笔记为 abstract 级,+2.6%–13.3% 的对照条件不明。
  • Agent S v1 的 26.15→16.80 已全文核验(2410-AgentS Table 2):OSWorld test_sub 65 题分层子集、GPT-4o、单项去除(narrative/episodic 仍在,而初始 memory 本身是”只带 web knowledge”探索构建的,消融未重建),所以它衡量的是推理期去掉在线搜索;每题最大步数论文未写明;单次运行无方差,OS 类仅 6 题。
  • GUIDE 的 +4.47–7.48 已全文核验(2603-GUIDEWebVideo Table 1,OSWorld 361 题、50 步);但 Qwen3-VL-8B 的 baseline 是引用 Qwen3-VL 报告的数字而非同 harness 复跑,Agent S3 无 planning-only 行,“planning 主导”只在两个单模型 agent 上成立;“k=5 最优”仅来自 App. C 50 题子集(一题 = 2pp,无 seeds),全集默认 k=7。
  • “显式恢复对 post-trained 模型为负”在 ReTrace 内缺同一基座的前后对照。
  • OSExpert(arXiv 2603.07978)经核为训练 agent 的探索式 skill 获取,不属非侵入式,未纳入。