AmbiBench：超越一次性指令的移动GUI代理基准测试

在移动GUI代理领域，基准测试对于评估进展至关重要。然而，现有基准通常假设用户指令是完整且明确的，忽略了实际场景中用户表达常含糊不清的问题。为此，本文提出AmbiBench，首个引入指令清晰度分类体系的基准，将评估从单向指令遵循转向双向意图对齐。基于认知差距理论，该基准定义了四个清晰度等级，并构建了包含240个生态有效任务的数据集。同时，研究开发了MUSE框架，通过多智能体架构实现对执行效果、质量及交互质量的细粒度评估。实验结果揭示了当前最优代理在不同清晰度等级下的性能边界，并验证了MUSE与人类判断的高度一致性。