iOSWorld: A Benchmark for Personally Intelligent Phone Agents

iOSWorld 构建 26 个原生 iOS app，覆盖交易、消息、旅行、社交关系和财务活动等互联个人数据。它有 133 个任务，其中 60 个多应用任务跨 2 到 8 个 app，46 个任务要求从个人数据里推断偏好或历史模式。最佳配置总体 52%，多应用任务只有 37%；vision+XML 对 frontier models 最多提升 26 个百分点，显示 accessibility tree 能帮强模型但不能自动解决任务规划。