🧮 形式化
Living-Screen-Native POMDP：Δ₁ 状态在两次决策间按自治流演化（播放头前进、内容自动加载）；Δ₂ 观察由 agent 主动发起且带参数（watch(Δt, fps)）。
四象限定位：纵轴=环境是否自治演化，横轴=agent 是否作用于环境——living-screen-native 是唯一同时满足两者的象限，短视频平台天然居于此。与 Video QA（喂视频文件、无 GUI）和标准 GUI benchmark（截图间世界冻结）都不同：信息获取必须经过像素级 GUI 交互（滑 feed、拖进度条、展开评论）在自动播放的画布上完成。
环境：浏览器复刻短视频 App，Playwright 驱动真实 Chromium，视频真在自动播放（非录好的帧序列）；agent 只能通过截图/录屏观察，无 DOM/视频文件特权。动作空间 = 标准 GUI 原语 + watch（录制指定时长/帧率）+ wait（让自治流前进跳过无信息段）+ mark（坐标校准）+ answer。观察是内生的、有代价的决策——这是 Δ₂ 的实例化。
🧪 任务与指标
499 任务 / 1,528 条中文短视频（均 5.62 条/任务），三层：L1 原子操作 / L2 跨源理解 / L3 闭环应用；SR + NS（步数）+ WR（观看时长占比）。
SR：L1/L3 由环境后端比对终态（如'视频 i 已点赞、视频 j 已举报'精确匹配），L2 选择题匹配。成本双指标：NS=每 episode 工具调用数（操作成本），WR=watch 录制时长占 feed 总时长比例（观察成本）——高 SR + 低 NS + 低 WR 才是主动高效。
被测 13 个前沿模型（Gemini-3.5-Flash/3.1-Pro、Doubao-Seed 系、Qwen-Plus 系、GLM-5V、Kimi-K2.5、Claude-4.6 系、GPT-5.5/5.4），统一 think-then-tool-call 单 agent、30 步上限、只保留最近观察帧。agent 设计消融（episode 长度/观察保留/显式推理）显示 SR 在默认附近波动——瓶颈在底层 MLLM 不在 harness。
📊 结果与失败模式
所有模型远逊人类的成本-准确率前沿（人类 SR 更高且 WR 更低）；主导失败 = over-/under-observation：看太多或太少。
四类观察行为（skipped/glanced/partially viewed/fully consumed）分布：模型间最大差异在 fully consumed——Seed-1.8 31.7% 的视频看到底 vs Gemini-3.5 仅 5.7%；看完整视频膨胀 WR 却不换来成比例的 SR。GUI 执行与跨源理解是独立维度（Qwen-3.6 执行强理解弱、Kimi-K2.5 相反），L3 闭环要求两者兼备。
over-/under-observation 被作者定位为 over-/under-thinking 的视觉通道对偶——'观察控制'由此提名为 GUI agent 缺失的能力轴。这是'感知预算分配'失败模式的命名者。
💡 对主线的启示
'屏幕在思考期间演化'表述的占据者，但被测仍回合制、机会不过期（可回看/拖动）——评的是观察控制不是实时行动。
三点：① watch(Δt, fps) 参数化观察与流式模型的感知带宽预算同构，WR 是观察成本的现成度量；② over-/under-observation 词汇可用于三分归因的'看错时机'格；③ related work 点名并标注缺失轴：无流式被测、无时延惩罚、机会不过期。
与近邻的关系：AOI/DynaCU-Bench 给出观察接口的解法侧（narration/keyframe），LivingScreen 给出观察行为的测量侧（WR/四分类）；两者都停在 human-paced。机会过期（错过即失败）在 GameWorld/SentinelBench no-op/TickingCollabBench 一线，LivingScreen 不在其中。局限：全中文短视频、L2 靠选择题、13 模型全部回合制 API。