AmbiBench：超越一次性指令的移动GUI代理基准测试

在移动GUI代理领域，基准测试对于评估进展至关重要。然而，现实场景中用户的指令往往模糊且不完整，要求代理通过主动澄清和交互来理解真实意图。现有基准多基于理想化假设，忽视了对齐能力。为此，本文提出AmbiBench，引入四类清晰度分类（详细、标准、不完整、模糊），构建240个生态有效任务的数据集，并开发MUSE框架，从结果有效性、执行质量和交互质量三个维度进行细粒度评估。实验证明了当前最优代理在不同清晰度下的性能边界，验证了MUSE与人类判断的高度相关性，为下一代真正理解用户意图的代理奠定了基础。