另一项 VeriCUA 把 GUI 任务验收改为主动取证，并允许证据不足时弃权
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。
为什么值得关注
代理自述“完成”或最后一张截图无法证明文件已保存、设置已持久化或每个约束都满足。把验证做成带来源属性的主动探索，并允许在证据不足时 abstain，可减少将失败轨迹误收为训练数据或错误触发后续业务动作。
技术细节
在线模式先映射应用包、目录与数据库 schema，再为每项硬性需求生成跨不同 surface 的检查器；执行层只允许白名单读取，拒绝可夹带 shell 控制的参数，并比较持久化目标前后摘要。固定证据规则要求成功由 attested evidence 支撑，失败需独立探针交叉反驳，未解决则弃权。以 gemini-3-flash-preview 为统一 backbone 时，AndroidWorld 准确率为 90.5%、假阳性率 7.7%，OSWorld 为 79.5%/13.9%，ScienceBoard 为 86.4%/5.4%；相应 VLM judge 假阳性率为 15.4%、27.9%、24.8%。离线模式在 OSReward-Hard、OSReward、WebArena、AndroidWorld 和 OSWorld 上的准确率也高于所比较的单次或结构化 judge。作者还发现混合 GUI+代码读取比仅 GUI 把 AndroidWorld 决策覆盖率从 45% 提到 82%，且未增加 3/41 的假阳性计数。
适合哪些读者
设计 GUI 代理验收、训练数据过滤、奖励模型、生成式 UI 后条件、审计证据链和高风险动作门控的研究与平台团队
原始来源
- Google and University of Hong Kong VeriCUA arXiv paper ↗arxiv.org
- Full paper, experiments, cost and limitations ↗arxiv.org
修订与更正记录 (1)
— Publish a new primary-source study that unifies online and offline GUI-agent verification through source-aware active evidence, while explicitly distinguishing it from an unrelated same-name VeriCUA project.