正确的屏幕，错误的转换：世界模型作为 GUI 代理的验证者

点击“登录”后，预计会出现登录屏幕；点击“查看订单”后出现同一屏幕是一种攻击。因此，对于 GUI 代理来说，安全性是转换的属性，而不是屏幕的属性，并且可以通过重用合法的监视器来击败仅检查屏幕的监视器。判断转变需要对行动之后应该发生的事情有一个预期。现有的 GUI 世界模型提供了一个，但它们将其输出为文本、代码或图像，因此根据观察到的屏幕检查它需要第二个模型来判断两者。我们认为，用于验证的世界模型应该在观察编码的空间中进行预测，并提出 LGWM，这是一种无解码器、动作条件的世界模型，可以直接预测下一个屏幕的表示，在 1.85M 真实 GUI 转换上进行训练，无需语义注释。验证简化为向量比较，相同的信号揭示不匹配是否有害。我们对 RSWT-BENCH 进行评估，这是一种诊断，其中每个凭据屏幕都出现在合法和被劫持的情况下 过渡，因此只能看到屏幕的探测器是有可能因构造而出现的。免训练得分在每个决策 17 毫秒时达到 0.987 AUC，与最强的闭源 VLM 相当，并且比生成 GUI 世界模型高出约 10 个 AUC 点，延迟降低了三个数量级以上。在区分有害和良性违规时，残差方向达到 0.953 AUC，其中提示的 VLM 几乎是偶然的。进一步的分析表明，预测是一个可用的未来状态，而不是一个异常分数。世界模型主要用作模拟器或规划器；我们的结果指出了第三个角色，即验证，在表示空间中进行预测是自然的设计。