SeerGuard：基于世界模型预测的移动GUI智能体安全框架

arXiv 2026 33.4 method, system, application

TLDR

SeerGuard利用世界模型预测在移动GUI智能体执行动作前主动评估风险，提升安全性。

评分理由

The paper proposes a novel proactive safety framework using a safety-augmented world model, showing strong empirical gains on a specific agent. However, the evaluation is limited to one agent type and does not discuss generalization to other GUI environments or real-world deployment challenges.

Read-first 评分解释

综合优先阅读分 33.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 32。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：实验

主题相关性 29%

45.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：138。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

world simulator

interactive world model

generative world model

video world model

深度分析

创新点

移动GUI智能体的执行前指令级筛选和动作级风险评估
后果感知的动作级评估，在执行前预测可能的结果
通过多任务学习构建统一的安全增强世界模型（SAWM），集成语义下一状态预测和安全风险评估

方法

SeerGuard采用执行前指令级筛选和动作级风险评估，其中动作级评估分析当前GUI状态下智能体提出的动作，预测可能的结果并识别风险。该框架基于统一的安全增强世界模型（SAWM），通过多任务学习联合进行语义下一状态预测和安全风险评估。在多种移动GUI智能体上评估，衡量安全效用得分和风险成本得分。

关键结果

在Qwen3-VL-8B-Instruct上，SeerGuard在ω=0.8时将安全效用得分从0.191提升至0.596，在α=0.8时将风险成本得分从0.347降至0.130。SAWM验证了指令级筛选以及动作风险评估/下一状态预测的能力。

资源

论文