탐색적 GUI 테스트 (Exploratory GUI testing)는 MLLM 에이전트에게 특히 까다로운 환경입니다. 미리 정의된 테스트 스크립트 없이, 에이전트는 스스로 애플리케이션을 탐색하고 자체적인 상호작용을 통해 결함을 발견해야 합니다. 그러나 현재의 평가는 두 가지 측면에서 부족함이 있습니다. 첫째, 기존 벤치마크는 거의 전적으로 상호작용 결함 (interaction defects)에만 집중되어 있어, 디스플레이 결함 (display defects)을 평가 범위에서 제외하고 있습니다. 둘째, 평가 프로토콜이 미리 정의된 결함 주석 (defect annotations)에 묶여 있어, 테스트 프로세스를 질적으로 구별되는 실패 모드들이 혼재된 단일 최종 상태 판단으로 축소시킵니다. 이러한 과제를 해결하기 위해, 우리는 61개의 실제 Android 애플리케이션과 상호작용 및 디스플레이 유형을 아우르는 508개의 사전 설정된 결함을 포함하는 대화형 벤치마크인 GUITestScape를 제시하며, 에이전트의 테스트 궤적을 독립적으로 진단 가능한 능력으로 분해하는 오픈셋 평가기 (open-set evaluator)인 GUIJudge를 도입합니다. 실험 결과, GUIJudge는 미리 정의된 주석을 넘어 신뢰할 수 있는 프로세스 인식 평가 (process-aware evaluation)를 달성하며 모든 베이스라인 (baselines)을 실질적으로 능가함을 입증했습니다. GUITestScape를 통한 벤치마킹은 기존 모델들에게 두 가지 결함 유형 모두에서 탐지 (detection)가 여전히 핵심적인 병목 구간임을 밝혀냈으며, GUIJudge의 검증기 (verifiers)를 기존 에이전트에 통합하는 것이 재학습 없이도 탐지 성능을 크게 향상시킨다는 것을 보여주었습니다.