论文页面 - OpenGCUA：迈向完全开放的通用计算机使用栈

来源：https://huggingface.co/papers/2610.22200

作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

OpenGCUA 引入了一个开放的通用计算机使用智能体，集成了视觉与编程接口、从固定框架到模型的决策迁移以及代码执行，以提升各模型的任务性能和效率。

计算机使用正迎来一个转折点：关注点正从仅限 GUI 的交互，扩展到通过视觉与编程接口 (https://huggingface.co/papers?q=visual%20and%20programmatic%20interfaces) 在用户计算机上完成任务的系统。我们将通用计算机使用智能体 (https://huggingface.co/papers?q=generalist%20computer-use%20agent)（GCUA）定义为一种系统：模型在视觉与编程接口之间自行选择如何观察、行动并组织其工作。然而，前沿实现（如 GPT-6 Astra 的计算机使用系统）在很大程度上仍然是封闭的，限制了对其设计的系统性研究。我们提出了 Open Generalist CUA（OpenGCUA），这是一个持续进行的项目，旨在与社区一起开发并开放 GCUA 的完整栈。本报告呈现了 OpenGCUA 的首个发布版本。代码执行 (https://huggingface.co/papers?q=Code%20execution) 是我们智能体设计的关键特性：它让中间结果决定后续操作，并使模型能够将其已有的编程能力直接应用于计算机交互。我们还提出了从固定框架到模型的决策迁移 (https://huggingface.co/papers?q=harness-to-model%20decision%20transfer)，将选定的观察结果和任务状态决策从固定的框架规则转移到模型自身。在 OSWorld-v2 (https://huggingface.co/papers?q=OSWorld-v2) 上，我们的完整配置在所有八个被评估的模型上均提升了任务得分，包括 GPT-6 Astra 和 Claude Opus 5，相比批量仅 GUI 执行方式，平均部分得分提高了 19.6 分，每任务报告步数平均减少了 53.0%。我们开源了我们的实现和提示词、全部八个模型的评估轨迹，以及真实设备框架 (https://huggingface.co/papers?q=real-device%20harness) 和跨设备 SDK (https://huggingface.co/papers?q=cross-device%20SDK) 的初步版本。该框架解决了基准测试未能完全涵盖的真实设备挑战，而 SDK 则提供了跨计算机、移动端和浏览器的统一编程接口。在我们真实设备框架下的四个真实 macOS 任务中，部分 Qwen3.8-Max 运行使用的报告推理 token 数量是 GPT-6 Astra 的 19.4 倍，凸显了不同模型在真实设备执行效率上的显著差异。

查看 arXiv 页面 (https://arxiv.org/abs/2610.22200) 查看 PDF (https://arxiv.org/pdf/2610.22200) 项目页面 (https://tongyi-mai.github.io/OpenGCUA/) GitHub (https://github.com/Tongyi-MAI/OpenGCUA) 加入收藏 (https://huggingface.co/login?next=%2Fpapers%2F2610.22200)

引用本文的模型 0

没有模型链接到本文。

在模型 README.md 中引用 arxiv.org/abs/2610.22200 即可从本页面链接。

引用本文的数据集 0

没有数据集链接到本文。

在数据集 README.md 中引用 arxiv.org/abs/2610.22200 即可从本页面链接。

引用本文的 Spaces 0

没有 Space 链接到本文。

在 Space README.md 中引用 arxiv.org/abs/2610.22200 即可从本页面链接。

收录本文的合集 0

没有合集收录本文。

将本文添加到合集 (https://huggingface.co/new-collection) 即可从本页面链接。