arXivに新たに投稿された論文「PhoneHarness: Harnessing Phone-Use Agents through Mixed GUI, CLI, and Tool Actions」は、現在のモバイルエージェント研究の多くが、エージェントを画面を観察してタップやスワイプを出力し、対象アプリの状態で採点されるGUIコントローラとしてのみ評価している点を指摘している。しかし、実際のスマートフォン利用タスクはより広範であり、エージェントはアプリのGUI、デバイス側コマンド、構造化ツールのどれをいつ使うかを判断し、意図した副作用が実際に発生した証拠を残す必要がある。
この空白を埋めるため、Chenxin Li氏ら21名の著者はPhoneHarnessを提案した。これは検証可能なモバイルワークフロー上でスマートフォン利用エージェントを研究するための混合アクションベンチマーク兼実行ハーネスである。PhoneHarnessはデバイス側でエージェントループを実行し、GUI、CLI、ホスト側ツールアクションを扱う。決定論的なアクションルーティングと境界付きGUI委任を組み合わせ、監査可能な実行トレースを生成する。これにより、エージェントの各ステップが記録され、単にもっともらしい最終回答を出力するだけでは済まなくなる。
PhoneHarness Benchは、もっともらしい最終回答を出すかどうかではなく、観測可能な副作用を伴ってタスクを完了したかどうかを評価する。注釈付き評価分割において、PhoneHarnessは75.0%の合格率を達成し、最強の非PhoneHarness設定を12.9ポイント上回った。この結果は、混合アクション実行ハーネスが実際のスマートフォンワークフロー完了の信頼性を大幅に向上させることを示している。
論文は、PhoneHarnessとPhoneHarness Benchが異なるが相互依存する役割を果たすと強調する。ハーネスは混合スマートフォンワークフローを実行可能にし、ベンチマークはエージェントがそのハーネスを安全かつ確実に使用できるかを測定する。知見は、信頼性の高いスマートフォン自動化が視覚的GUI制御だけでなく、アクション面のルーティングと検証可能な実行に依存することを示唆している。本論文は2026年6月12日に投稿され、計算と言語（cs.CL）分野に属し、プロジェクトページも公開されている。