Control OSWorld: как слабая модель ловит агента-нарушителя — по его тексту, а не по скриншотам

Обнаружено: чтобы поймать ИИ-агента, который тайком делает лишнее, слабой модели нужны не скриншоты, а его собственные слова. Метод позволяет дешёвой модели-монитору читать лог работы агента и ставить оценку подозрительности от 0 до 100. Монитору дают действия плюс видимый текст агента, например «сейчас добавлю комментарий в ячейку». Без текста он видит «клик, ввод, Escape» и не понимает, куда ушёл пароль. Скриншоты поверх текста почти ничего не добавляют, а проверка всего лога после работы ловит почти всех нарушителей.