标签
本文介绍SCOPE，一种用于计算机使用智能体的联合训练方法，它利用合成数据集，提升了任务完成度和安全性，并在基准测试OSWorld和OS-BLIND上取得了优异性能。
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。
ERPBench 引入了一个基准，用于评估仅基于截图的计算机使用代理在实时 ERP 系统上的表现，表明强大的通用 GUI 性能无法转移到企业可靠性，并包含一个具有人工批准的生产工具，以实现安全部署。
HazardAuditor 引入了一个基于执行的框架，用于监督计算机使用代理的安全性，其中 Guard Policy Optimization 将安全结果的准确率提高了多达 16.5%，相比之前的方法。
本文介绍了GUI-Primitives，这是一个包含994个对比指令对的基准，用于诊断视觉-语言模型在GUI定位中的空间推理失败，揭示了大多数失败源于候选定位而非关系理解。
任务模型归纳（TMI）是一种从原始计算机使用痕迹中归纳结构化任务模型的方法，将代理性能提升30%，并为现实世界工作流提供可审计、可重用的技能。
ComponentBench 引入了一个基准和诊断管道，用于评估计算机使用代理在现代网页用户界面中的组件级交互，通过关注现实、短暂的交互来诊断跨模型的故障，从而填补当前评估方法的空白。
本文提出了一种确定性的零模型流水线，将被动捕获的屏幕活动编译为结构化的“活动帧”用于代理记忆，将一天的原始捕获压缩为适合提示的上下文块，体积缩小86倍，并达到98.4%的问答准确率。文中还引入了例程开销比率和重复性的测量，用于对代理成本进行建模。
This paper investigates when hybrid computer-use agents actually choose to use MCP tools versus screenshots, finding that tool availability alone does not guarantee adoption: a reasoning model improves while a non-reasoning model degrades. It also explores training and context compression strategies to close the adoption gap and reduce token costs.
微软研究院推出了 Echoverse，这是一组用于训练计算机操作代理的深度、不断进化的环境。一个9B模型在这些环境上训练后，其基线分数几乎翻倍，与GPT-5.4仅差14分。这表明高保真模拟以及模型、世界和验证器的共同进化显著提高了代理在多步骤工作流上的表现。
OSReward 提出了一个标准化基准，用于评估 VLM 在计算机使用智能体轨迹上的评判能力，揭示了即使是最先进的模型也存在系统性的宽大偏差。作者发布了 OS-Shepherd-9B 和 35B 奖励模型，为 CUA 任务提供可靠且低成本的奖励信号。
Echoverse 提出了一种生成深度、演进式合成环境的方法，用于训练计算机使用代理，展示了显著的准确率提升，并发布了一个包含有依据评分器的基准。
微软研究院在ICML 2026上的亮点包括Fara 1.5计算机使用智能体系列、抗批评基准测试、通过FLIP2扩展的蛋白质机器学习基准测试以及改进的大语言模型推理稳定性，共有超过100篇论文被接收。
介绍了PPT-Eval，一个包含120个PowerPoint任务的基准测试，用于评估计算机使用代理，采用基于评分标准的打分系统，可给予部分分数。像Claude-4.5-Opus这样的前沿强代理仅达到45%的成功率，凸显了此类任务的难度。
本文介绍了智能体-计算机观察接口（AOI），这是一种模型无关的感知层，它将计算机使用智能体的连续自适应观察与离散动作解耦。AOI 在动态浏览器任务上实现了显著的性能提升（+17 到 +48 个百分点），且无需重新训练，关键洞察在于将捕获的帧叙述为持久文本是改进的主要驱动因素。
OSWorld 2.0 是一个新的基准测试，用于评估计算机使用代理在 108 个长周期真实工作流程上的表现。当前像 Claude Opus 4.8 和 GPT-5.5 这样的代理完成率较低，凸显了它们在处理复杂多步骤任务时的显著局限性。
本文研究了计算机使用代理中的执行瓶颈，比较了仅屏幕的基于GUI的方法与基于技能中介的CLI方法，识别了关键性能差异。
本文提出了一种面向计算机操作代理的强化学习框架，该框架利用自主视觉-语言评估作为可扩展的奖励信号，并对评估者噪声进行建模，以提高桌面环境中的任务成功率。
本文介绍了AgentCIBench，一个用于评估计算机使用代理隐私风险的基准测试，发现15个前沿代理中有11个在超过50%的场景中泄露信息。
重点介绍近期三篇AI论文：SpatialClaw（通过代码实现无需训练的空间推理），SkillWeaver（组合式技能路由，采用分解-检索-组合流水线），以及PreAct（将智能体运行编译为快速状态机，用于重复任务）。