Malva 把 GUI 代理的静默失败追到工具层：335 个真实缺陷暴露状态与反馈契约断裂
一项 10 月 21 日提交的实证研究从 40 个开源 GUI 代理应用、约 2,000 条 issue 中确认 335 个工具交互缺陷，归纳为 11 种状态表示、状态转换和同步模式；90% 的应用包含多类缺陷，86.6% 的缺陷会产生错误结果，其中 119 例没有 fail-stop 信号。
为什么值得关注
生成式界面和计算机使用代理即使模型推理正确，也可能因截图过期、焦点错误、动作前置条件缺失或成功回报过早而与真实界面分叉。该研究把观察、动作和反馈工具视为产品运行时的一部分，为界面代理的验收从“模型是否会点”推进到“工具契约是否能证明状态一致”。
技术细节
作者人工复核 issue、提交与执行证据，建立 Malva 缺陷库，并按观察、推理规划、执行、环境反馈四阶段分类。常见模式包括目标定位错误、进度检查失败、上下文预算溢出、工具 schema 不匹配、参数语义错误、缺少执行前置条件和时间反馈错位。基于这些模式构建的 MalvaGuard 支持 Python、JavaScript 与 TypeScript，在另 20 个不重叠应用、112 个真实缺陷组成的留出语料上，标记 150 个缺陷，其中 86 个命中，得到 57.3% precision 与 76.8% recall。作者公开了应用清单、缺陷库、源码、详细结果和使用指南。
适合哪些读者
构建 GUI 代理、浏览器/桌面/移动端自动化、生成式 UI 动作工具、验收平台和运行时安全边界的研发与测试团队
原始来源
- Malva empirical study and public artifact ↗arxiv.org
- Public Malva and MalvaGuard artifact declared by the paper ↗doi.org
修订与更正记录 (1)
— Backfill a primary-source empirical study with a public artifact that directly informs GUI-agent and generative-interface tool reliability. It adds failure taxonomy, quantified evidence, a checker, and explicit limitations not already represented in the catalog.