阿里:原生电脑操作智能体Qwen-CUA
标题Qwen-CUA: Native Computer Use for (almost) Everything来源arXiv, 2608.02352v1️文章简介研究问题如何构建仅通过截图观察和键鼠操作就能像人类一样通用且高效地操作各类软件的智能体主要贡献论文提出Qwen-CUA一个基于397B混合专家模型的纯视觉原生电脑使用智能体在八大基准测试中超越Qwen3.7并媲美顶尖闭源模型。重点思路最小化交互接口智能体仅接收屏幕截图作为输入输出键盘和鼠标事件不依赖DOM树、无障碍元数据或特定API确保跨软件通用的泛化能力。长程视觉上下文管理将活跃视觉历史扩展至20张截图采用分块折叠策略将旧截图替换为固定文本占位符既保留近期视觉证据又维持提示词前缀稳定以优化KV缓存复用。大规模可验证训练基础设施构建拥有近10万vCPU的云滚动集群支持数万个并发环境合成约4万个可验证任务涵盖日常及专业软件工作流并结合个性化人工轨迹进行监督。迭代式强化学习优化利用可执行结果奖励和长程轨迹切片技术采用软自适应策略优化SAPO算法通过迭代训练利用当前策略刷新监督数据混合比例并校准强化学习任务分布。分析总结性能全面领先在OSWorld-Verified上得分86.2显著优于Qwen3.7的73.3在OSWorld 2.0的二进制/部分完成率上也大幅提升扩展至万亿参数的Qwen-CUA-Max进一步提升了长程任务表现。安全性显著增强在RedTeamCUA基准测试中攻击成功率从Qwen3.7的36.6%降至16.4%同时保持了较高的良性任务成功率证明其具备更强的抗间接提示注入能力。效率与混合工具潜力分析显示性能提升并非源于更冗长的推理实验表明将原生交互与Bash命令行结合可显著缩短交互轨迹尽管当前路由策略仍有优化空间但证明了混合代理的高效前景。个人观点论文坚持“纯视觉原生键鼠”的最小化接口设计分块视觉折叠机制巧妙解决了长程交互中的上下文爆炸问题大规模可验证环境的构建则为解决GUI智能体训练数据稀缺和奖励稀疏难题提供了工程范式。

相关新闻

FDE系列10:需求的真相——为什么客户说的需求经常是错的?

FDE系列10:需求的真相——为什么客户说的需求经常是错的?

FDE系列10:需求的真相——为什么客户说的需求经常是错的?本文是《FDE工程师-从AI技术实现到业务落地》系列文章第10篇客户说"我要一个AI客服",你猜他真正需要的是什么?需求的三层结构 在FDE的工作中,客户说的…

2026/11/20 10:04:09 阅读更多 →
用iPhone拍Mac屏幕?连续互通相机一键搞定

用iPhone拍Mac屏幕?连续互通相机一键搞定

连续互通相机让Mac得以直接调用iPhone的高清摄像头。其中,调用iPhone摄像头拍摄Mac屏幕内容,解决了传统截图“视角单一”“无法捕捉屏幕实际显示效果”“高清细节缺失”等痛点,适用于教程制作、办公汇报、故障排查等多种场景。macOS Sequoia&…

2026/11/19 16:53:04 阅读更多 →
GitLab SSH密钥配置全攻略:从原理到实战,解决Permission denied

GitLab SSH密钥配置全攻略:从原理到实战,解决Permission denied

1. 项目概述:为什么GitLab SSH配置是开发者的“第一道门”如果你刚接触GitLab,或者从使用HTTP克隆代码切换到SSH,那么配置SSH密钥绝对是你需要跨过的第一道门槛。这不仅仅是输入几行命令那么简单,它背后关乎到你日常开发流程的顺畅…

2026/11/18 2:11:15 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/19 21:38:27 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/19 21:38:49 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/19 21:39:09 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/19 21:36:50 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/19 21:37:45 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/19 21:36:20 阅读更多 →

日新闻

周新闻

月新闻