Browser Automation

這篇論文真正補到的，不是再提醒一次 web agent 會被頁面上的惡意指令帶偏，而是把問題切到 screenshot-based agent 的真實痛點：當模型看到的是整張被渲染過的畫面時，text-only guardrail 常常不夠，而每一步都丟大 VLM 又太重。作者提出 SnapGuard，用視覺穩定性與 action-oriented 文字訊號做輕量級多模態檢測，重點不是追求完美，而是替 browser agent 補上一個夠快、夠便宜、能先攔下可疑畫面的第一道守門員。