IGG 是一个交互式 GUI 定位基准，旨在评估在可见性受限情况下让目标出现并点击的能力。任务要求先通过交互使目标可见，再执行点击。基准包含 601 条任务，覆盖 16 种可控 GUI 环境，细分为七类可见性约束。动作空间仅包括滚动、移动、拖拽、等待和点击。人类实验得到 94.6% 的成功率，GPT‑5.5 达到 79.4%，最强的开源视觉语言模型仅为 31.6%。为探究差距来源，进行两项干预：告知 Qwen3‑VL 需要执行的交互操作，准确率从 30.8% 提升至 33.9%；由外部系统替模型完成交互，准确率升至 81.9%。结果表明瓶颈在于执行揭示交互，而非目标识别。进一步实验显示，可见性恢复能力可以通过训练在不同模型族中持续提升。
点评