RecreationWorld: 可扩展且可验证的混合计算机使用代理环境
摘要
RecreationWorld引入了一个用于混合计算机使用代理的可扩展且可验证的框架,提供了跨越五个平台的环境和一个用于评估的基准测试。
查看缓存全文
缓存时间: 2026/09/21 03:19
论文页面 - RecreationWorld:面向混合计算机使用代理的可扩展、可验证环境
来源:https://huggingface.co/papers/2609.22000 发布于9月18日
#1 每日热门论文 (https://huggingface.co/papers/date/2026-09-21) 作者:
, , , , , , , , , , , , , , , , ,
摘要
计算机使用代理(CUA)的发展沿着两条独立的路径进行:图形界面交互,以及通过代码和命令行进行的软件开发。真正的数字工作需要将两者结合,交叉进行而非简单串联。我们研究的混合CUA能够自主决定何时探索界面、实现软件、以及运行并可视化验证其构建物。我们提出了RecreationWorld,一个围绕“复现”概念构建的五平台框架:给定一个运行中的参考程序,代理必须发现其行为并在无预定工作流的情况下构建忠实的实现。RecreationWorld在Ubuntu、macOS、Windows、Android和Web上提供了可复现的环境,并配备一个集成了原生GUI控制和编程工具的统一测试平台。运行中的参考程序作为隐藏行为测试的预言机,提供基于执行结果的奖励。我们利用高质量的开源应用来扩展轨迹生成。基于这些轨迹训练的模型在五个分布外编码和混合计算机使用基准测试中表现更佳,并更频繁地验证其渲染输出,这证明了超越“复现”本身的迁移能力。为了进行保留评估,我们推出了RecreationBench,包含跨领域和平台的250个多样化任务。基于参考程序的程序化和视觉断言覆盖了多个交互深度下的操作条件结果;每条断言都经过参考程序验证和人类评审员审核,然后基准套件才被冻结用于自动评分。GPT-6Astral以58.1%的整体通过率领先,但在仅2.8%的任务中通过了所有程序化测试。代理复现静态界面结构比复现交互和计算输出更为可靠,而生成的应用程序在规模上仍小于其参考程序,且结构更单一。我们已公开发布该基准、环境和测试套件。
查看arXiv页面 (https://arxiv.org/abs/2609.22000)查看PDF (https://arxiv.org/pdf/2609.22000)GitHub1 (https://github.com/QwenLM/RecreationWorld)添加至收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2609.22000)
在你的代理中获取此论文:
hf papers read 2609\.22000
没有最新的CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash
引用此论文的模型0
没有模型链接到此论文
在模型README.md中引用arxiv.org/abs/2609.22000,以从该页面链接。
引用此论文的数据集1
Qwen/RecreationBench Viewer• 35分钟前更新 • 500 • 1 (https://huggingface.co/datasets/Qwen/RecreationBench)
引用此论文的Spaces0
没有Space链接到此论文
在Space README.md中引用arxiv.org/abs/2609.22000,以从该页面链接。
包含此论文的收藏集0
没有包含此论文的收藏集
将此论文添加到收藏集 (https://huggingface.co/new-collection)以从该页面链接。
相似文章
Qwen的RecreationWorld训练代理重建应用(GitHub仓库)
RecreationWorld是一个可扩展的框架,用于训练混合AI代理,这些代理结合了GUI交互、编码和视觉验证来重建应用程序,并配备了一个名为RecreationBench的基准测试套件。
OpenComputer:面向计算机使用智能体的可验证软件世界
OpenComputer 提出了一种框架,用于为计算机使用智能体创建可验证的软件环境,集成了状态验证器、自改进验证层、任务合成以及评估系统,覆盖33个桌面应用程序。实验表明,其验证器与人类判断的一致性优于LLM作为判断者,且前沿智能体在端到端完成方面仍面临困难。
训练需要可信的世界:用于智能体学习的验证合成网络环境
本文介绍了一个构建验证合成网络环境的框架,以改进网络智能体的训练,展示了在基准测试中增强的性能和可迁移性。
CUA-Gym: 为计算机使用代理扩展可验证的训练环境与任务
CUA-Gym 引入了一个可扩展的流水线,用于为计算机使用代理生成可验证的训练环境和任务,从而解决数据稀缺问题。由此产生的数据集和模型在OSWorld-Verified和WebArena等基准测试上取得了强劲的性能。
AgentMercury:您的代理能大规模合成业务场景的可验证环境
AgentMercury 引入了一个可扩展框架,用于从业务场景中合成可验证环境,使强化学习代理能够提升在企业工作流和域外基准测试中的性能。