GUI Automation

這篇論文真正值得看的，不是哪個 OS agent 又衝高了 task completion，而是它把評估標準拉回真實部署：安全、效能、時間與 token 成本、以及遇到視覺與文字干擾時的韌性。作者用 OS-SPEAR 對 22 個 OS agents 做四維評測，最重要的發現是效率常直接吃掉安全與 robustness，而「會完成任務」遠遠不等於「值得把 GUI 操作權交給它」。