VeriGUI: Верифицируемый набор данных для длинных цепочек графических интерфейсов
VeriGUI: Verifiable Long-Chain GUI Dataset
August 6, 2025
Авторы: Shunyu Liu, Minghao Liu, Huichi Zhou, Zhenyu Cui, Yang Zhou, Yuhao Zhou, Wendong Fan, Ge Zhang, Jiajun Shi, Weihao Xuan, Jiaxing Huang, Shuang Luo, Fang Wu, Heli Qi, Qingcheng Zeng, Ziqi Ren, Jialiang Gao, Jindi Lv, Junjie Wang, Aosong Feng, Heng Zhou, Wangchunshu Zhou, Zhenfei Yin, Wenlong Zhang, Guohao Li, Wenhao Yu, Irene Li, Lei Ma, Lei Bai, Qunshu Lin, Mingli Song, Dacheng Tao
cs.AI
Аннотация
Последние исследования сосредоточены на создании автономных агентов, способных выполнять сложные задачи на компьютере с использованием графического пользовательского интерфейса (GUI), что имеет потенциал для революции в области взаимодействия человека и компьютера. Несмотря на обнадеживающие результаты, существующие подходы в основном ориентированы на краткосрочные взаимодействия и полагаются на проверку только конечных результатов, что ограничивает их масштабируемость в реальных GUI-приложениях, требующих декомпозиции и выполнения задач на длительном горизонте. В данной работе мы представляем VeriGUI — новый верифицируемый набор данных для длинных цепочек GUI, предназначенный для разработки и оценки универсальных GUI-агентов, работающих в реалистичных компьютерных средах. Наш набор данных акцентирует внимание на двух ключевых аспектах: (1) сложность длинных цепочек, где задачи разбиваются на последовательность взаимосвязанных подзадач, охватывающих сотни шагов, причем каждая подзадача может служить допустимой отправной точкой; и (2) верифицируемость на уровне подзадач, что позволяет использовать разнообразные стратегии исследования внутри каждой подзадачи, обеспечивая при этом проверяемость и согласованность целей на уровне подзадач. Набор данных включает траектории выполнения GUI-задач как на десктопных, так и на веб-платформах, аннотированные экспертами. Эксперименты с использованием различных агентов и базовых моделей на VeriGUI выявили значительные пробелы в производительности при обработке задач на длительном горизонте, подчеркивая необходимость более надежных возможностей планирования и принятия решений у GUI-агентов.
English
Recent studies have delved into constructing autonomous agents capable of
performing complex Graphical User Interface (GUI)-based computer tasks, with
the potential to revolutionize human-computer interaction. Despite encouraging
results, existing efforts mainly focus on short-term interactions and rely on
outcome-only verification, thereby limiting their scalability in real-world GUI
applications that demand long-horizon task decomposition and execution. In this
work, we introduce VeriGUI, a novel verifiable long-chain GUI dataset designed
to facilitate the development and evaluation of generalist GUI agents operating
in realistic computer environments. Our dataset emphasizes two critical
dimensions: (1) long-chain complexity, with tasks decomposed into a sequence of
interdependent subtasks spanning hundreds of steps, explicitly designed to
allow any subtask to serve as a valid starting point; and (2) subtask-level
verifiability, which enables diverse exploration strategies within each
subtask, while ensuring that each subtask-level goal remains verifiable and
consistent. The dataset consists of GUI task trajectories across both desktop
and web, annotated by human experts. Extensive experiments on VeriGUI using
various agents with different foundation models reveal significant performance
gaps in handling long-horizon tasks, highlighting the need for more robust
planning and decision-making capabilities in GUI agents.