动机
GUI Agent 的 Test-Time Scaling (TTS) 依赖 Critic Model 对候选动作排序，然而现有方法均将批判建模为二元分类。这种简化导致两个结构缺陷：Affordance 坍缩——将层次化的可用性空间压平为 0/1 标签，使得有效但次优动作与语义干扰项难以区分；噪声敏感——二元目标过度拟合模糊的决策边界。实证分析显示，二元模型在 BBBench 上的分数分布严重纠缠，Suboptimal 与 Semantic Distractor 的得分无法分辨，揭示分类准确率不等于真正的语义建模。为可靠 TTS，GUI 批判必须恢复连续的动作质量排序。

方法关键点

• 功能等价假说：用户指令与最优动作是同一意图的两种表达，共享相同的功能 Affordance。
• BBCritic 框架：将批判转化为连续语义对齐的度量学习问题。
  • 共享 VLM 编码器将「指令+截图」与「候选动作+截图（带 Set-of-Mark）」分别投影到共享 Affordance 空间，用余弦相似度作为 critic score。
  • 采用 InfoNCE 损失替代 BCE，利用密集动作空间中的分布依赖关系，自动挖掘语义硬负样本，并保持对标签模糊的鲁棒性。
  • 两阶段课程学习：Stage 1 通过 OmniParserV2 布局解析生成全量负样本，建立全局语义拓扑；Stage 2 用 VLM rollout 收集高置信度但失败的轨迹作为语义硬负样本，锐化 Suboptimal–Distractor 边界。全程使用弱监督，零额外标注。

关键实验

• BBBench 基准：首个密集动作空间（平均每页≈30 个候选）并带四层层次化标注（Optimal, Suboptimal, Semantic Distractor, Unrelated Error）的 GUI 评判基准，共 18,192 条人类验证样本。
• 语义建模：BBCritic-3B 在 NDCG@All 达到 80.56，超越 7B 参数的二元 SOTA（如 GAIA、GUI-Critic-R1），且在各 Pairwise Preference Accuracy 上保持稳定的层级排序。
• TTS 提升：在 AndroidControl 上提升 +15.1 成功率（Qwen2.5VL-7B 基线+ BBCritic-3B->62.3%），在 GUI Odyssey 上提升 +15.3。
• 跨平台零样本泛化：未见过桌面/网页数据，在 ScreenSpotV2 上平均增益 14.2%，在 Mind2Web 上增益 7.3%。
• 鲁棒性分析：在随机标签噪声下，二元模型决策边界迅速崩溃，BBCritic 保持稳定；消融实验证实两阶段课程互补，Stage 1 建立拓扑，Stage 2 锐化边界。

核心启示
GUI 批判的本质是度量学习，而非分类。