不要盲目行动：通过动作效果验证和自我纠正实现强大的 GUI 自动化

基于视觉语言模型 (VLM) 的自主 GUI智能体 通常假设确定性环境响应，生成操作而不验证先前操作是否成功。在存在网络延迟、渲染延迟和系统中断的现实环境中，这种假设会导致未检测到的操作失败、重复的无效行为以及灾难性的错误累积。此外，由于在线交互的高成本和离线数据集中缺乏实时反馈，学习鲁棒的恢复策略具有挑战性。我们提出了 VeriGUI（验证驱动的 GUI智能体），它明确地模拟了噪声环境下的动作结果和恢复。 VeriGUI 引入了一个思考-验证-行动-期望 (TVAE) 框架来检测故障并指导纠正推理，以及将鲁棒 SFT 与合成故障轨迹和 GRPO 与不对称验证奖励相结合的两阶段训练管道。我们进一步构建了基于AndroidControl的鲁棒性基准来评估故障识别和纠正。实验表明，VeriGUI 显着减少了故障循环并提高了恢复成功率，同时保持了具有竞争力的标准任务性能。