27B 开源模型靠进化工具胜 GPT-5.5，成本仅 Opus 的 1.5%
alex_verem · x · 2026-10-23
Agent S4：不换大模型，让工具自己进化
Simular 研究团队发现，多数 computer-use agent 仍在为人类设计的界面上工作：截图、点击、输入、再截图，效率极低(比如一格一格填电子表格)。他们提出的关键思路是：性能瓶颈可能不在模型，而在我们递给它的工具。
工作原理
Agent S4 是一个监督第二个 AI 的 AI:它观察第一个 agent 的工作过程，找出其浪费精力的环节，为其编写更好的工具，然后在从未见过的测试任务上选出得分最高的工具版本。
OSWorld V2 成绩(108 个真实桌面任务)
- 开源 Qwen3.8-27B 模型：任务完全完成率从 5.6% 提升到 21.3%
- GPT-5.5:13.0%
- Claude Opus 4.8:20.6%
- 单任务成本：Qwen3.8-27B 为 $1.10,GPT-5.5 为 $25.50,Opus 4.8 为 $72.40
效果示例
- 报销单收据任务：人类设计的工具下，agent 要一封封打开邮件、点掉 5 个下载警告、滚动信用卡账单 8 次；进化工具后则直接把邮箱和账单当文本读取，从链接下载 3 份 PDF。
- ScienceBoard(天文、分子、地图、数学证明等科学软件)：进化工具成功率 58.6%,标准方案 41.4%。
限制与意义
$1.10/任务未计入工具构建成本，且进化经过了 30 轮迭代。论文核心观点：与其一味换更大的模型，不如先优化工具层。代码已开源。
所属事件:Agent S4 让工具界面自主进化，27B 开源模型胜 GPT-5.5(2 条相关)→
「编程与Agent」频道最新
- GitHub 邀「Clawfather」steipete 实测 Surface Laptop Ultra,预告 Universe 大会 — pavandavuluri · 2026-10-24
- AI2 推出 LitPivot:让研究点子在文献演进中同步打磨 — allen_ai · 2026-10-24
- Anthropic 推个人 agent Claude Duet，合盖后仍持续干活 — altryne · 2026-10-24
- 月处理 53.3 万亿 token,Nous Hermes 成最大开源 agent 框架 — NousResearch · 2026-10-24
- 实测 npm 下载量前 50 的 MCP 服务器：最贵一个吃掉 12.4 万 token — poizin · 2026-10-24
- Cognition 发布 Devin 桌面版，新增 agent 指挥中心 — DevinAI · 2026-10-24