评测与基准arXiv 2610.03818·10月2日Control OSWorld：面向 GUI 计算机操作 Agent 的 AI 控制评测环境提出 Control OSWorld，评测失准 GUI Agent 的监控arXiv2610.03818发表10月2日层应用层场景网页与电脑操作被测模型Claude Sonnet 4.6、Claude Opus 4.8、GPT-5.2 等 6 个防御监控与审计风险欺骗与谋划组件监控器深度解读完整解读