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

GUI智能体正以前所提及的速度快速发展，其潜力或将深刻变革人机交互范式。

然而该领域面临显著瓶颈：现有数据集主要针对10步以内的简短交互设计，并仅通过最终结果进行评判，难以有效训练与评估智能体在真实环境中的长期规划与执行能力。

长期以来，AI模型能力评估依赖静态封闭环境下的基准测试（如MMLU、GPQA），这类指标侧重衡量模型”知识储备”及特定孤立任务表现。

随着智能代理技术演进，研究界正转向更具挑战性的命题——如何让LLM及Agent创造更大实际价值？

这一认知转变催生了新一代动态交互式基准体系。

由2077AI开源基金会主导构建的VeriGUI应时而生，在Hugging Face平台发布首月即跃居月度排行榜第三位。

该成果不仅印证了社区对VeriGUI价值的认可度提升，更为通用智能代理研究提供了更贴近现实场景的试验平台。

当前GUI智能代理研究的核心挑战在于现有数据集难以满足前沿模型评估需求：传统数据集在平台兼容性、交互步骤跨度、验证粒度、人工演示覆盖度等方面存在明显局限。

VeriGUI通过三大技术创新突破上述限制：首先建立包含4-8个相互关联子任务的任务体系（每个完整流程需执行数百次界面操作），且允许任一子任务作为独立起点进行能力测试；

其次构建子任务级验证机制，在保证目标导向性的同时不限定具体实现路径；

最后通过130个真实网页操作轨迹展示其复杂度分布特征——涵盖多领域场景、子任务数量梯度、界面操作类型占比及步骤跨度等维度参数。

我们在VeriGUI基准上对多个SOTA基础模型进行了系统性评测（涵盖四大主流技术范式），结果显示其能有效区分不同代理系统在成功率与任务完成率上的差异表现。

该数据集已全面开源并接入Datasets库实现一键加载功能。

未来版本计划扩展包含高交互性Web操作（如动态表单填写、多步骤账户注册）及复杂桌面软件操控等场景类型。

2077AI开源基金会将持续推进人工智能领域的开放协作生态建设，并诚邀学术界与工业界同仁共同参与VeriGUI生态共建——无论是提交新基线方案还是贡献创新案例研究——携手探索通用智能代理技术的发展边界与应用前景。