研究与基准测试/2026-10-16/18 分钟GraceBench：执行稳定性诊断的参考文献与附录GraceBench 正文的参考文献与附录。附录给出指标公式、指令粒度与结果受控比较、自动构造界面转移图的细节，以及生成标签对照人类专家的一致性。
研究与基准测试/2026-10-16/16 分钟GraceBench：诊断图形界面智能体的执行稳定性给真实手机应用里的图形界面智能体一张界面转移图，看成功之外还有没有偏离、循环和恢复。169 项任务、3718 条轨迹上，GPT-5.6 Sol 成功率最高，但恢复能力最低；51.24% 的成功轨迹仍有偏离或循环。
