RecreationWorld：用“复刻”把界面操作与写代码缝进同一条长程轨迹

提出以“复刻”为核心任务的混合计算机使用智能体框架：智能体只能通过操作运行中的参考来获得规格，交付物则是必须编译并运行的源码，从而强制形成探索—实现—验证的循环。 既有基准多偏重单一交互模式（纯 GUI 或纯终端），该工作把两种模态放进同一个长程任务，并明确不规定动作顺序与模态。 任务定义与五平台交付契约（桌面源码+构建/启动、Android Gradle 产出 APK、Web 自包含 index.html）在正文与表 1 中给出；轨迹统计显示 RecreationBench 中位 282.5 次顶层调用、每 100 次调用 9.08 次 GUI–代码编辑切换。

构建了可扩展、可验证的环境与评测层：运行中的参考充当 oracle，可派生隐藏行为测试，程序化断言读取 AT-SPI、AXUIElement、UI Automation、UiAutomator，视觉断言由固定 VLM 裁判在冻结检查点判定。 把“参考即预言机”的验证不对称性落到跨五平台的可复现流水线，并让评分与实现语言、框架、架构无关。 测试须先在参考上通过并经人工复核后才冻结；覆盖审计显示约 77% 用例离开起始界面、24% 跨越两个以上界面、94.2% 检查交互结果、40.7% 要求精确期望值；81 个任务打包 393 个 fixture 文件。

用复刻轨迹训练可迁移到复刻之外：从五个平台各取 7,000 条高分轨迹组成 35,000 条 SFT 混合数据，微调两个模型初始化，在五个分布外基准上均高于各自首个被评估检查点，增益最高 17.9 个百分点。 提供初步证据表明复刻监督可迁移到编码与混合计算机使用任务，而非仅提升复刻本身。 五个 OOD 基准（ProgramBench、GameCraft-Bench、Vision2Web、OSWorld 2.0、WeaveBench）各检查点单次试验，曲线并非单调；行为指标显示自输出图像读取、GUI 观察与交互占比上升，作者说明这些描述性变化不构成因果。

给出当前前沿模型的能力画像与失败模式：静态界面结构比交互与计算结果更易复现，复刻产物普遍更小、更集中，且最终一次源码修改后常缺少重新启动与检查。 把“分数差距”拆解为可定位的类别差距与过程指标，而非单一总分。 在 Ubuntu、macOS、Windows、Android 的 16 个模型–平台比较中，结构类平均通过率 15 次最高，最弱类别落后 9.1–34.4 个百分点；Web 静态内容比交互高 28.2–36.7 个百分点；89.4% 复刻生产源码少于参考，中位 LOC 比为 16.9%；严格“最终编辑—重启—观察”序列仅 23.6–47.5% 轨迹完成。

该框架面向可固定、可复现的离线参考应用：桌面与 Android 采用源码不可见设定，Web 因浏览器必然接收前端代码而改为保护真值与测试；任务池来自开源应用与自建站点，覆盖 Ubuntu、macOS、Windows、Android、Web 五平台。它适用于研究长程探索—实现—验证循环、生成可自动评分的训练经验，以及比较不同模型在界面与代码之间的协调方式。对依赖在线服务、外部状态变化或真实用户交互的工作流，当前设定并不覆盖。

隐藏测试套件只采样有限的状态与交互路径，通过它并不等于在所有状态下等价；公开参考实现可能出现在预训练数据中，行级重叠筛查无法排除改名、重构或片段级记忆；Android 未提供包级网络出口证明，已安装参考包在原理上仍可恢复；Web 的抓取—重放检测存在边界，经中间结构转换的参考内容可能逃逸检测；可编程运行时对比为单次 rollout 的端到端配置比较，不能分离持久运行时的因果作用；此外，本次读取为全文，但图表与附录中的部分数值细节以正文转述为准，若需精确复现仍应查阅原始图表。