冻结实例
题面、素材、时区、初态与允许操作，先确定可比条件。
REAL DEVICE. REAL TASKS. OBSERVABLE
EVIDENCE.
让每一次「完成」，
都有迹可循。
把手机 Agent 放回真实生活。
观察每一步，核验每一个结果。
AndroidBench 连接任务、轨迹与核验。探索豆包和 GAgent 在同一台实体手机上的表现，理解它们在哪里做对，又在哪里偏离。
UPDATE / 2026.09.18开发版 · 结果与规格分别呈现
FIELD NOTE — 003 / FINANCE
不是看起来像表格是真正能用的
一份 CSV。
一份 CSV。
订单去重 / 退款状态
字段引用 / 原件读回
✓
20 / 20独立产物检查通过
↗
ACTUAL DEVICE CAPTURE · NO UI RECONSTRUCTION
128条
任务规格 64 历史 + 64 新增
08类
生活领域 四个独立分类维度
04组
双产品先导对照 同一实体手机 · 8 次运行
03次
GAgent 开发回归 设置目标均已读回确认
01 / PAIRED OBSERVATIONS
看结果，也看依据。
四个冻结实例，逐项核验。
这是先导比较，不是总体排行榜。
正在读取已核验结果…
02 / THE TASK ATLAS
生活里的难题，
生活里的难题，
不止一种分类。
按用户目的归入八个领域。
能力、挑战和实验资格独立记录。
同一任务，四个视角领域×能力×挑战×执行资格
03 / INSIDE A REAL RUN
沿着轨迹，找到分岔点。
展开同题两种路径，查看实际画面与附件。
过程由可见记录整理，未获得豆包隐藏推理。
READING THE TRACE
阶段对照不代表时间同步。画面为未经重绘的精选截图；文字是研究者对公开过程及存储记录的整理。播放按钮按阶段翻阅，非连续录屏。
04 / A FAILURE WORTH UNDERSTANDING
点击成功了。
点击成功了。
设置却没变。
运行中的 GAgent 进度浮窗覆盖了目标。相同坐标、相同手势：浮窗可见时值不变，收起后变为两分钟。
受控复现让问题从“点不动”变成可解释的交互缺陷。通用修复方向是目标避让、观察版本校验，以及始终可达的取消入口。
05 / MEASUREMENT, NOT IMPRESSION
下载方法说明 ↓
从“说完成”，到“可验证”。
观察执行
记录模式、公开过程、界面状态、人工介入与停止原因。
核验结果
真实文件按原字节取回，系统设置独立读回，保留未知项。
复核与恢复
独立 Monitor 检查证据和口径，核对无关状态并恢复设备。
RESEARCH ARCHIVE / R30
每个结论，都有来源。
666采样截图22录屏分段11存储会话
以上为内部研究档案规模。本站公开经审阅的17张截图、4组轨迹摘录和6份实际附件；完整设备记录不直接公开。
这128题都已经测完了吗？+
没有。64条为历史题面，新增64条为开发规格；本轮执行的是四个冻结实例的双产品先导与三次GAgent开发回归。未物化fixture与reset的规格不计作可执行实验。
怎样解读两产品的比较？+
同题、同实体手机，仍有产品权限、会话历史和观察深度差异。三个工作题使用固定事实，主要检验约束处理及交付。样本不足以推出总体排名、稳定速度优势或完整跨App能力。
为什么不展示统一耗时排名？+
部分观察器从准备开始计时，豆包日程严格第300秒状态未知；报销视口也未跟随最新结果。当前记录不适合放进统一性能排行榜，相关时间只作带来源的观察。
哪些过程仍然不可见？+
豆包仅有公开界面过程，未取得隐藏云端推理或私有参数。GAgent部分存储调用参数和结果原本已截断。不能从没有记录推断没有动作，也不能补写缺失过程。
下一步怎样形成正式论文实验？+
逐领域物化素材、初始化与重置，加入人类参考执行、匹配重复和严格提交时钟。按语义题族隔离保留集，同时报告领域宏平均与任务微平均。
THE NEXT QUESTION
真正可靠的 Agent，
从128个问题开始 ↗