标签
Vantage 是一款开源 Windows 11 应用，可将输入的提示转化为自主执行的桌面操作。它利用 AI 模型，通过 UI 自动化读取实际的窗口文本，执行点击、输入和运行 PowerShell 等操作，而非依赖屏幕截图。它支持使用你自己的 API 密钥接入任何兼容 OpenAI 的服务提供商，并将所有数据存储在本地。目前，该项目仍处于早期阶段，正在征集失败案例的反馈。
Claude API 将 Messages 和 Token Counting 的单次请求上限从 32MB 提升至 128MB，扩大约 4 倍，以支持包含大量图片的长会话和大型 PDF 等任务。
Vercel Labs 开源了 agent-desktop，能让任何编程 Agent 获得桌面级 Computer Use 能力，直接读取系统无障碍树而非截图，支持后台运行和多 Agent 同时操作，兼容 macOS、Windows 和 Linux。
一条推文认为，尽管 Astra 6 是一款较旧的模型，但在 Codex 框架内运行赋予了它其他前沿模型所不具备的类 AGI 能力，能够无缝使用计算机和互联网。
OpenAI 发布了 GPT-6.1 Terra，这是一款中端模型，侧重于视觉推理、计算机操作和更清晰的写作，定价为每百万输入 token 1 美元、每百万输出 token 5 美元——约为 GPT-6.1 Sol 成本的一半。
Greptile 正利用 GPT-6 Astra 的计算机操作能力，将自动化应用测试拓展到静态代码审查之外，并结合其 Daybreak 安全产品和与 Codex 集成的知识库，力求减少开发者遇到的缺陷和返工。
GPT-6.1 Terra 发布，OpenAI 称其在快速、能干的计算机使用（computer use）方面实现新突破，能理解屏幕内容、跨应用执行操作，并以更低价格提供更高效的工作能力。
Cursor 现在让 AI 智能体能够控制桌面应用，例如 iOS 模拟器，使它们能够直接在本机上测试自己构建的功能。
OpenAI 发布 GPT-6.1 Terra，一款兼顾视觉推理、计算机操作与自然写作的高效模型，API 价格较 GPT-5.6 Terra 低 50%，在 Agents' Last Exam、MMMU-Pro、OSWorld 2.1 和 Terminal-Bench 4.0 等基准上大幅提升，同时显著降低幻觉与事实错误率。
作者开源了一个 Mac 应用 + MCP 服务器 Open iPhone Use，让 AI 智能体通过屏幕共享和蓝牙键鼠控制真实 iPhone。支持 ChatGPT/Codex、Claude Code 等任意支持 computer-use 的智能体，仅需 iPhone 和 Apple Silicon Mac。
Opposide 推出可在 Android 手机本地运行的 GUI 智能体：使用 4-bit 量化的 GUI-Owl 1.5 2B 模型（基于 Qwen3-VL，由 Alibaba Mobile-Agent 团队出品），通过 llama.cpp 在设备上直接读屏并操作任意应用，无需服务器。通过裁剪状态栏、丢弃平坦背景图像 token 等优化，Mac M2 CPU 上单步耗时从 10.6 秒降至 7.3 秒，且在 36 屏测试集上精度不降。
作者认为，除了智能体运行框架之外，智能体界面也是自我演化智能体的一个关键发展方向，能够提高效率、降低成本，并使人与智能体的协作更加可靠，Artifacts 就是一个例子。帖子引用了 DAIR.AI 的内容，重点介绍了一篇关于智能体界面演化的论文，并将其视为智能体开发者值得关注的趋势。
Nace 发布 Drex Max 2.0，这是一款面向计算机使用智能体（computer-use agents）的 27B 多模态决策模型，能够在单次前向传播中对各选项进行评分，延迟低至毫秒级；通过 Nace API 调用的定价为每百万输入 token 0.06 美元。
PAPAV 提出了一个以能力为核心的统一框架（感知、预判、规划、行动、验证），用于对比多模态具身智能体、计算机使用智能体与机器人系统，并基于 64 个基准揭示了预判与验证能力评估的显著缺口。
MiniMax 发布 M3.1 Flash 新模型，在复杂 agentic 任务、计算机使用、软件开发与网络安全等多类基准上全面提升，其中 DeepSWE v1.1 达到 73.7%，跻身顶尖模型行列。
MiniMax 发布 MiniMax M3.1 Flash，作为新一代 Flash 模型，在 agentic 任务、编码、Computer Use 与网络安全方面实现全面跃升，在线推理速度提升近三倍，使用成本降低 70%，输入/输出定价为每百万 token $0.15 / $0.60。
Nace AI 发布多模态决策模型 Drex Max，可直接从截图、屏幕录像、扫描文档和图表中快速做出决策，适用于 computer-use 和 browser-use 智能体。该模型在 Mind2Web 上达到 88.3%，Decision Index 得分 67.6，推理速度为 34ms/决策。
有人将 Codex 的 Computer Use 运行时从 ChatGPT 桌面版中拆出为开源工具 LCU，无需 Codex 登录即可让 Claude Code、Pi、Hermes 等 Agent 看屏幕、点击按钮并操作桌面软件。
论文提出了MFM，一种多模态文件系统记忆架构，融合情景记忆、空间记忆、语义记忆、程序记忆与工作记忆，帮助长时程具身智能体复用经验，在Minecraft和计算机使用基准测试上，基于三种不同底座模型均实现了性能提升。
通过更新至最新的 OpenAI Python 和 Node.js SDK，浏览器和计算机使用功能变得更加简便，Kevin Whinnery 在一条推文串中重点介绍了这一点。