点“登录”后出现密码框，很正常；点“查看订单”后却出现一模一样的密码框，就可能是劫持。只检查当前画面的静态检测分不清两者。论文因此主张，GUI 智能体——能代人点击、输入并完成任务的 AI——的安全监控应盯住“动作之后发生了什么”。
作者提出 LGWM：一种世界模型验证器。它根据当前界面和操作，直接预测下一界面的内部数字表示，再与实际画面比较。说白了，它检查“按了这个按钮，后面的事讲不讲得通”。这种做法不必先生成截图，再请另一个模型裁判，单次判断耗时 17 毫秒。
在包含 222 对样本的 RSWT-Bench 中，每对样本的最终凭据页面像素完全相同，只是前一步操作不同，因此只看结果画面的检测器按设计只能接近随机猜测。作者报告，LGWM 无需用攻击标签训练的分数达到 0.987 AUC——AUC 是衡量模型区分两类情况能力的指标，越接近 1 越好。这个结果说明，危险有时不在某张图里，而藏在前后动作是否连得上。