Qwen-CUA：基于纯视觉交互的通用计算机Agent
rohanpaul_ai · x · 2026-08-07
介绍了 Qwen-CUA 模型的技术思路，证明仅依靠人类常用的屏幕、鼠标和键盘，即可训练出强大的计算机控制智能体。
- 核心机制：将截图作为通用接口，不依赖底层代码或辅助标签，通过模拟鼠标点击与键盘输入跨软件执行任务。
- 训练规模：使用了近 10 万个虚拟处理器核心，覆盖约 4 万个可验证任务。
- 记忆管理：保留最近 20 张截图与历史操作记录，以应对长线复杂任务。
- 评测表现：在 OSWorld-Verified 基准测试中达到 86.2 分，但在更长周期的任务中仍面临挑战。
「编程与Agent」频道最新
- DHH 深圳行：Omarchy Meetup 超 400 人报名，小米高管现场演示 — LoganGrasby · 2026-10-16
- shadcn 转发 ShadHub：GitHub Registry 目录站上线，可即时提交收录 — shadcn · 2026-10-16
- Sarvam 联手 Figma:基于 Indus 的 Agent 可经 MCP 直接在 Figma 里做设计 — itsOmSarraf_ · 2026-10-16
- 独立开发者给 Mac VM 应用加 MCP：让 agent 搞坏一次性克隆而非真机 — ScholarBackground836 · 2026-10-16
- ComfyUI 拖拽失效排查：第三方节点包劫持 drop 事件 — Inside_Chocolate_967 · 2026-10-16
- 为什么别人家的AI很强你的很拉：Agent四件套拆解 — yangyi · 2026-10-16