AndroidDaily：面向真实世界闭源应用的移动 GUI Agent 可验证基准

针对现有移动 GUI Agent 基准多依赖模拟环境或开源应用的问题，本文提出 AndroidDaily，涵盖 94 款高频闭源安卓应用的 350 个真实日常任务。为解决闭源应用内部状态不可见导致的自动验证难题，设计了基于外部可观察指南的 GRADE 评估器，通过操作义务、输出质量及负向约束三层体系，对 Agent 视觉轨迹进行步骤级诊断。实验表明 GRADE 与人类评估一致性达 87.37%，最强模型成功率仅 62.0%，凸显了当前 Agent 在真实移动工作流中规划与执行能力的不足。