新评测考察用户需求连续变化时，生成式界面能否保持执行能力与状态一致。
单次成功截图无法证明第五轮修改后仍然可用。
150 个五轮任务覆盖信息呈现、交互和工具外部状态，结合浏览器执行、DOM、截图与日志取证。所读版本于 9 月 7 日修订。
开发者与评测研究者
— Initial source-verified editorial collection
Google 与香港大学团队 10 月 29 日提交了一项同名但独立的 VeriCUA：验证器先查看环境或轨迹建立任务 rubric，再用 GUI、无障碍树、文件、数据库等只读检查补齐证据，并把需求判为满足、违反或未知。在线实验中，它在 AndroidWorld、OSWorld 与 ScienceBoard 上均降低了相对基线的假阳性。
10 月 27 日提交的 GUI‑JEPA 面向移动 GUI 单步动作选择：它把无标签界面截图预训练得到的 JEPA 表征按候选动作和区域变换，在一次批处理中为无障碍树候选打分，不再让 7B 视觉语言模型逐 token 生成动作。
10 月 27 日提交的 Task Advancement Memory（TAM）把“已经可靠完成了什么”同时用于当前任务压缩和跨任务学习：任务内维护可核验的进展、剩余目标与视觉证据，任务后从局部成功片段中提炼可复用操作，即使整条工作流最终失败。