编号先纠：2608.11205 点开是篇图像生成论文（AdvFD，对抗 Fréchet 距离），跟 GUI 无关。真身是 arXiv:2608.11191，南京理工 Zechao Li 组没跑，标题一字不差。但六个 benchmark 的名单错了一半：论文里是 ScreenSpot、ScreenSpot-v2、ScreenSpot-Pro、MMBench-GUI、OSWorld-G、OSWorld-G-Refine；UI-Vision、WindowsAgentArena、Mind2Web 全文压根没出现。超 10 个点的也不是 SSv2（它 +8.4），是 ScreenSpot-Pro（20.3→30.5）。
方法框架的转述基本忠实，7.4% 的平均提升也确实写在摘要里（Qwen2.5-VL-3B 上的数）。但这篇论文最值得讲的数字藏在消融表：同一个模型不加校准地向自己蒸馏，直接策略崩溃——越学越错。把结果救回来的组合拳有两个，一个拿反思文本当"特权信息"的老师分支（同一个基模型，LoRA 切换），一套专门拦错误前缀的对比校准。"从错误中学习"听着动人，工程上最难的是别把错误一起蒸进去。
两句凉水。其一，"免标注"只免在部署后——Reflector 本身是离线拿一万条带标注的 GroundCUA 样本训的，前置成本没消失；其二，代码还没放出来，论文只写了 "will be released"，想复现的先等等。还有"每台设备独立进化"这句，论文里没有，属于楼主的引申——引申可以，标个出处就更好了。