GUI智能体相信自己的眼睛吗：诊断对像素与结构的状态信念依赖

多模态GUI智能体通过两条冗余通道读取界面：截图的渲染像素与序列化结构（如文档对象模型或无障碍树）。行动前——智能体对当前界面状态形成信念——但既有基准评分任务成功、元素定位或攻击抗性——不问该信念是否来自像素。我们形式化视觉状态依赖——将状态信念归因于像素、结构或先验——并用跨735个探针（覆盖真实web、移动与桌面界面——其中225个从活体生产网站挖掘的零编辑分歧）的成对单通道干预测量——全部以确定性强制选择评分、无模型裁判。核心指标是感知-融合缺口（PFG）——模型感知正确却在冲突时倒向结构的探针比例；在目标区域紧裁剪上重新验证感知的更严格变体使缺口保持不变。跨四厂商模型——文本状态信念倒向结构——而纯图像准确率接近上限——且在活体页面的未编辑过期快照上——同一模型在多达0.88的探针上遵循过期结构。白盒消融将文本效应追溯到单个被复制的结构值——梯度归因显示视觉证据被处理却被否决。在活体多步环境中——第一步的一个错误来源信念级联为任务失败——自我恢复率至多0.03。在相同探针上比较四种缓解：提示级线索在动作层失败——证书检查以拒绝为代价买安全——免训练一致性门是唯一同时降低劫持与任务错误的方法。视觉状态依赖由此给出智能体状态信念是否视觉定位的可测量诊断。