# 混合计算机使用智能体

2 篇关联报道

订阅更新

arXiv 2026年10月1日
CUA-SWE 用 105 个可执行任务测出：给智能体看运行界面后，GPT-6-Astra 四域均值从 11.3% 升到 59.9%
作者提出 CUA-SWE——一个覆盖 Web、Game、DevOps、Mobile 四个软件工程领域、共 105 个任务的基准、交互式开发环境与评测流水线，让智能体在同一任务中改代码、跑命令、操作运行中的软件并查看截图，用任务专属的确定性测试判定结果；在代码-only 与混合 CUA 两种条件下对比前沿模型，GPT-6-Astra 取得最高四域均值 59.9%，且每个前沿模型在混合 CUA 下聚合成功率都更高，增益集中在必须从应用材料（图纸、服务契约、图形参考卡）中恢复需求的任务上。
作者提出 CUA-SWE——一个覆盖 Web、Game、DevOps、Mobile 四个软件工程领域、共 105 个任务的基准、交互式开发环境与评测流水线，让智能体在同一任务中改代码、跑命令、操作运行中的软件并查看截图，用任务专属的确定性测试判定结果；在代码-only 与混合 CUA 两种条件下对比前沿模型，GPT-6-Astra 取得最高四域均值 59.9%，且每个前沿模型在混合 CUA 下聚合成功率都更高，增益集中在必须从应用材料（图纸、服务契约、图形参考卡）中恢复需求的任务上。
University of Wisconsin–Madison Arizona State University University of Southern California
Prince Zizhuang Wang（第一作者）
CUA-SWE基准计算机操作混合计算机使用智能体监督微调
arXiv 2026年9月21日
RecreationWorld：用“复刻”把界面操作与写代码缝进同一条长程轨迹
该工作提出 RecreationWorld 框架与 RecreationBench 基准：给定一个正在运行的参考应用，智能体须自行探索其行为并交付可构建、可运行的复刻实现，框架在 Ubuntu、macOS、Windows、Android、Web 五个平台提供可复现环境与统一 GUI+编码工具链，用参考派生的隐藏程序化与视觉断言自动评分，并据此生成 35,000 条经筛选的复刻轨迹用于训练；评测显示 GPT-6 Astra 以 58.1% 总体得分领先，但仅 2.8% 任务通过全部程序化测试，且复刻在静态界面结构上比在交互与计算结果上更可靠。
该工作提出 RecreationWorld 框架与 RecreationBench 基准：给定一个正在运行的参考应用，智能体须自行探索其行为并交付可构建、可运行的复刻实现，框架在 Ubuntu、macOS、Windows、Android、Web 五个平台提供可复现环境与统一 GUI+编码工具链，用参考派生的隐藏程序化与视觉断言自动评分，并据此生成 35,000 条经筛选的复刻轨迹用于训练；评测显示 GPT-6 Astra 以 58.1% 总体得分领先，但仅 2.8% 任务通过全部程序化测试，且复刻在静态界面结构上比在交互与计算结果上更可靠。
Qwen
Shuai Bai（第一作者）
RecreationWorld框架 RecreationBench基准混合计算机使用智能体基于参考的测试生成

已读完全部报道

CUA-SWE 用 105 个可执行任务测出：给智能体看运行界面后，GPT-6-Astra 四域均值从 11.3% 升到 59.9%

RecreationWorld：用“复刻”把界面操作与写代码缝进同一条长程轨迹