超越二元：将 GUI 批评重新定义为持续语义对齐

测试时间缩放 (TTS) 对多个候选操作进行采样并通过批评模型对它们进行排名，已成为通才 GUI智能体 的一个有前途的范例。因此，其有效性取决于评论家的细粒度排名能力。然而，现有的GUI批评模型统一采用二元分类。我们对这些模型的动机分析暴露了一个严重的纠缠：有效行为的分数和看似合理但无效的干扰因素变得难以区分。我们将这种失败归因于两个结构性缺陷：可供性崩溃——分层可供性空间被压缩为 0/1 标签；和噪声敏感性——二元目标过度适合噪声决策边界。为了解决这个问题，我们引入了 BBCritic（超越二元批评家），这是一种基于功能对等假说的范式转变。通过两阶段对比学习，BBCritic 在共享的可供性空间中对齐指令和动作，恢复二元监督扁平化的层次结构。我们还推出了 BBBench（Beyond-Binary Bench），这是第一个 GUI 评论家基准，它将密集的动作空间与分层的四级分类法配对，从而实现细粒度的排名评估。实验结果表明，在没有任何额外注释的情况下训练的 BBCritic-3B 优于 7B 参数 SOTA 二元模型。它展示了跨平台和任务的强大的零样本可迁移性，支持了我们的方法论观点：GUI 批评从根本上来说是一个度量学习问题，而不是分类问题。