视觉语言模型正被部署到多智能体系统中，自动化复杂的计算机使用工作流。现有基准大多假设环境一致、智能体合作；现实里子智能体常报告过时状态、发出矛盾指令，或争夺共享权限与文件，迫使智能体核对他人输出并在环境中核实地面真相。冲突评测很难：手工编写无法覆盖复杂系统，无约束生成又会出现叙事漂移、答案泄漏和无法满足的评分标准。CLASHarness 给出可控可验证的冲突生成框架，以及 600 道多轮任务。

先锁视觉事实，再编译评分器

框架将分层场景规划与八步验证微流水线结合：渲染前预先承诺决定性视觉事实，再从已执行参考轨迹编译混合代码评分器与语义评分器，保证每道任务在构造上即可解。针对的是叙事漂移、答案泄漏和无法满足的评分细则，而不是单纯堆任务。

目前只能确认的一条瓶颈

论文评估了 15 个前沿模型，称发现三类核心瓶颈。材料写全的只有第一类：子智能体输出与环境冲突时，较弱模型盲目跟随误导信息，较强模型检查视觉证据以核实地面真相。第二类与解决冲突有关但摘要截断，第三类未出现。可引用的结论仅此一条：冲突时是否核验界面视觉，区分了强弱模型。

我的判断

价值主要在问题定义：多智能体计算机使用不该默认信息一致。过时状态、矛盾指令和权限竞争是常态，只测顺利分工会高估可用性。适用边界是视觉可核验、轨迹可执行的界面任务。摘要没有完整三项瓶颈和分数，不宜当排行榜；八步流水线能否杜绝泄漏，也不能从摘要外推。更稳妥的是把它当作冲突场景生成方法，以及「先看环境再听同伴」这条假设。