Not translated yet — showing the Chinese originals.

Industry & Practice · Tagged “GraceBench”

Research & Benchmarks2026-10-1618 min
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。
Research & Benchmarks2026-10-1616 min
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。