移动端 GUI 智能体个性化失败诊断

新研究推出评测基准 PrefDiag-Bench，通过包含 1,664 个探针的诊断框架评估 11 个移动端 GUI 智能体系统的个性化表现。评测显示现有系统在个性化任务中表现大幅下滑，表现最好的 Seed-2.0-Pro 在流程偏好下仅获 47.17%。显式提供历史证据的受控干预可改善证据提取与时机识别瓶颈，将端到端成功率提升最高 7.06%。