o3 Gemini 都翻车？首个可验证长链 GUI 数据集 VeriGUI 重磅开源，探索通用 Agent 能力边界

VeriGUI 论文一经发布，迅速在 Hugging Face 荣登月榜第三。

作者丨整数智能

GUI 智能体正以前所未有的速度崛起，有望彻底改变人机交互的方式。然而，这一领域的进展正面临瓶颈：现有数据集大多聚焦于 10 步以内的短程交互，且仅验证最终结果，无法有效评估和训练智能体在真实世界中的长时程规划与执行能力。

长期以来，评估 AI 模型能力的标准主要依赖于静态的、封闭世界的基准测试，例如 MMLU 或 GPQA。这些基准有效地衡量了一个模型“知道”什么，即其知识储备和在特定、孤立任务上的表现。然而，随着 Agent 的兴起，研究界的共识正在迅速转向一个更根本的问题：一个 LLM 及 Agent，如何创造更大的价值？

这种转变催生了新一代的动态、交互式基准，它们旨在评估 Agent 在复杂、开放和不可预测的环境中的实际执行能力。在这个背景下，由 2077AI 开源基金会牵头构建的全新基准 VeriGUI应运而生，VeriGUI 具备两大核心特征突破——长链复杂性 （Long-Chain Complexity） 与子任务级可验证性 （Subtask-Level Verifiability）。

VeriGUI 论文一经发布，迅速在 Hugging Face 荣登月榜第三！这一成就不仅证明了社区对 VeriGUI 价值的高度认可，也为通用智能代理的研究提供了一个更真实、更精细的试验场。

VeriGUI 数据集一览

01

背景痛点：简单任务已成“过去式”，复场景呼唤新基准

当前 GUI 智能体研究的核心痛点在于，现有数据集已无法满足前沿模型的评估需求：

• 短流程，浅交互：现有数据集的任务平均长度通常不足 10 步，智能体只需识别 UI 元素并执行相应动作即可完成，这远不能模拟真实世界中涉及条件判断和状态追踪的复杂工作流。

• 结果式验证，过程成“黑箱”：大多基准仅通过 URL 匹配等方式验证最终结果，当任务失败时，无法得知问题出在哪个环节，难以对智能体的规划能力进行针对性改进。

VeriGUI 与其他现有 GUI 数据集和基准测试平台在平台支持、步骤数、可验证性、人工演示、可执行性和交互方式上的差异

02

三大技术亮点：为复杂任务而生

VeriGUI 通过三大技术亮点，精准地解决了上述难题：

1. 4-8 子任务 × 百级操作的长链轨迹：VeriGUI 中的每个任务都被分解为 4-8 个相互依赖的子任务，完成全程需要数百次 GUI 操作。更具创新性的是，任何子任务都能作为独立的起点，从而可以对智能体在任务不同阶段的规划、记忆和决策能力进行全面评估。

2. 子任务级验证信号，支持多策略探索：VeriGUI 提供子任务级别的精细化监督信号，它只验证每个子任务的目标是否达成，而不限制智能体达成目标的具体方式。这极大地鼓励了智能体探索多样化的解决策略，而不是死板地遵循预设步骤。

3. 跨 Web & Desktop 的统一操作空间：数据集同时涵盖了网页和桌面两大主流平台，并定义了一套统一的 GUI 操作空间（如点击、输入、拖拽等），使智能体能够学习跨环境的通用交互能力。

VeriGUI 数据集的设计理念与核心：长链条复杂性 (Long-Chain Complexity)和子任务级别可验证性 (Subtask-Level Verifiability)

03

数据规模速览

基于已收集的 130 个 Web 任务轨迹，VeriGUI 展现了其卓越的复杂性：

• 任务总数： 130

• 子任务总数： 587

• 平均每任务步数： 214.4

VeriGUI 数据集的详细统计数据，包括任务领域分布（a）、子任务数量分布（b、c）、GUI 动作分布（d）、不同领域中的动作数量（e）以及总体步骤数量分布（f）

04

基准实验摘要：顶尖模型遭遇“滑铁卢”

我们在 VeriGUI 上对多种 SOTA 基础模型进行了全面测试，测试框架涵盖了四种主流范式：

• 智能体框架： Deep Research Agent、Search Engine Agent、Browser-Use Agent 及 Multi-Agent System。

• 实验结果：结果令人震惊——在所有测试组合中，没有任何一个模型的平均任务成功率超过 10%。这清晰地揭示了现有模型在长时程规划、多步推理和复杂决策方面的普遍瓶颈，也印证了 VeriGUI 作为新一代高难度基准的价值。

不同类型的智能体在 VeriGUI 基准测试上 130 个网页任务中的成功率（SR）和任务完成率（CR）

05

科研价值：填补评测空白，赋能前沿研究

VeriGUI 的发布具有重要的科研价值：

• 填补评测空白：它为评估智能体在长时程、开放式 GUI 工作流中的表现提供了业界首个具备子任务级监督的基准。

• 赋能前沿研究：其细粒度的验证机制为智能体的规划、记忆、决策和容错等关键能力的研究提供了前所未有的精细化监督信号，有助于深入分析失败模式和规划瓶颈。

06

开源资源 & 快速上手

我们已将 VeriGUI 完全开源，希望能为社区的研究提供便利。

• GitHub 代码仓：
  

  https://github.com/VeriGUI-Team/VeriGUI

• Hugging Face 数据集：https://huggingface.co/datasets/2077AIDataFoundation/VeriGUI

您可以轻松通过 Datasets 库一键加载，快速开启您的研究。

如果您需要详细了解我们的实验过程和更多数据集构建细节，欢迎阅读我们的论文：

• ArxivPaper: https://arxiv.org/abs/2508.04026

07

展望与合作计划

VeriGUI 项目仍在进行中。我们正积极扩充数据集，未来版本将包含更多强调交互性的 Web 任务（如表单填写、账户登录）以及大量复杂的桌面软件操作任务。

2077AI 开源基金会致力于推动 AI 领域开放研究和合作。我们真诚地邀请学术界和工业界的同仁们与我们合作，共同建设 VeriGUI 生态，在我们的基准上提交新的 Baseline，一起探索通用智能体的未来。

欢迎关注我们（https://www.2077ai.com/），也期待与您的合作！

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。