AnTrap：首个评估安卓GUI智能体运行时异常鲁棒性的基准

图形用户界面代理在部署到安卓设备上时，常会遇到动态异常，从意外弹窗到操作误用，然而现有基准缺乏对代理在运行时异常下鲁棒性的系统性评估。我们引入了AnTrap，一个全面的基准，通过向代理执行轨迹注入动态扰动来评估其性能。我们提出了一种分类法，将现实世界中的异常组织为四个层面（状态、思考、动作和回合），涵盖十个细粒度子类别，并开发了一个构建流程，在引入现实对抗条件的同时保持任务可解性。评估16个领先的图形用户界面模型后，我们揭示了它们对动态异常的普遍脆弱性，即便是最强的模型也遭受显著的性能下降。此外，我们在原始和对抗环境中进行了GRPO训练以验证我们的基准，将环境可学习的异常与推理瓶颈型异常区分开来。我们的发现表明，虽然状态和动作层面的单步陷阱大多可通过对抗强化学习解决，但深层上下文陷阱，如状态死锁，暴露了内在局限性，仅通过在含陷阱的环境中训练无法解决。