Чи здатні Android GUI-агенти витримувати аномалії під час виконання?

Що вимірює AnTrap

Android GUI-агент керує телефоном як людина: натискає кнопки, зчитує екрани, вирішує, що робити далі. Дослідники з восьми інституцій створили AnTrap, щоб зрозуміти, що станеться, коли середовище почне чинити опір. Бенчмарк впроваджує порушення у живі траєкторії виконання. Порушенням стає раптове спливаюче вікно — або помилково прочитаний екран — або дія, яка не дає очікуваного результату. Конвеєр зберігає оригінальне завдання вирішуваним. Це критично: якщо завдання стає неможливим, агента не можна звинуватити у провалі.

Шістнадцять провідних моделей пройшли через випробування. Кожна втратила позиції. Найсильніші зазнали суттєвого падіння продуктивності. Стаття не називає моделі й не каже, наскільки саме впала кожна.

Чотири шари провалів

Таксономія розділяє аномалії на чотири шари. Станові пошкоджують те, що бачить агент. Мислові — те, як агент рассуджує. Дійові — те, що агент виконує. Раундові — потік у кількох кроках.

Всередині шарів — десять дрібних підкатегорій. Стаття перелічує їх, але в абстракті не визначені. Становий дедлок з'являється як глибокова контекстова пастка, що виникає через раунди. Агент потрапляє в умову, де не існує жодної валідної дії, але завдання залишається незавершеним.

Одноразові пастки живуть у шарах стану та дій. Виглядають як неправильна підпис кнопки або спливаюче вікно, яке краде фокус. Агент навчається їх обходити. Глибокі контекстові пастки не працюють так — вимагають пам'яті та планування через багато кроків.

Навчання виправляє деякі пастки, але не всі

Команда провела GRPO-навчання в двох налаштуваннях: оригінальне середовище та вороже з впровадженими пастками. Порівняння розділяє аномалії, які можна вивчити середовищем, від тих, що застрягли в рассудку.

Адверсарне підсилення впорається з одноразовими пастками. Агент бачить спливаюче вікно достатньо разів, щоб вивчити обхід. Становий дедлок оперує цим підходом. Навчання лише в середовищах з пастками не вирішує внутрішнього обмеження. Агенту потрібне щось поза досвідом. Стаття не вказує, що саме.

Де зупиняється бенчмарк

AnTrap доводить: поточні агенти універсально вразливі. Дає таксономію та конвеєр. Показує, які провали здаються навчанню, а які — ні. Не пропонує нову архітектуру. Не вимірює, як часто ці аномалії трапляються в реальних сесіях користувачів. Не каже, чи помітить користувач різницю між навченим агентом і невивченим.

Дата подачі — 25 Aug 2026. Версія — v1. Розмір файлу — 4,271 KB. DOI — 10.48550/arXiv.2608.24099.