跳到主要内容
检索

# 计算机使用智能体

3 篇关联报道

订阅更新
  1. arXiv

    OSWorld-Science 用 146 个科学软件任务测 12 个视觉语言模型：最强智能体平均仅 73.7%，最难任务集只有 40%

    该工作提出 OSWorld-Science 基准与评测环境，把专家定义的科学任务、基于产物的执行式评分器和统一智能体外壳结合起来，在 7 个科学领域、17 款软件、3 种语言上评测 12 个视觉语言模型，结果显示最强模型 Claude Fable 5.1 平均得分 73.7%、最难任务集约 40%，且失败多发生在交互层与结果校验环节而非科学推理本身。

    Dingyuan Dai（第一作者）
    OSWorld-Science科学软件基准计算机使用智能体智能体运行框架
  2. arXiv

    EngiWorld 用 1301 个真实工程任务测出：最强模型 EngiScore 仅 44.3，多软件协作成功率 3.6%

    研究者构建了 EngiWorld 基准，围绕完整工程设计闭环，在 CAD、CAE、CAM、BIM、EDA 与 3D 可视化 6 个领域、26 个专业软件平台上设置 1301 个专家策展任务，并用统一的领域验证器套件对最终与中间产物做几何有效性、物理可行性与规则合规检查；对 7 个前沿模型的评测显示最强模型 EngiScore 仅 44.3，多软件尝试成功率仅 3.6%。

    Zhejiang UniversityFudan UniversityXi'an Jiaotong UniversityShandong UniversityChongqing UniversityPeking UniversityTsinghua UniversityBeijing University of Posts and Telecommunications
    Hongcheng Gao（第一作者）
    EngiWorld工程智能体基准以工件为中心的评估方法计算机使用智能体
  3. arXiv

    HybridCUA 让 9B 智能体在 OSWorld 上用 GUI+CLI 混合操作拿到 53.6%，比基座高 14.8 个百分点

    该工作构建了包含 5,000 条 GUI-only、CLI-only 与交错 GUI–CLI 轨迹以及 3,000 个带可执行验证器 RLVR 任务的数据管线 HybridCUA-8K，并提出先监督微调、再用带 CLI 感知奖励的在线强化学习的两阶段训练框架，训练出的 HybridCUA-9B 在 OSWorld 上达到 53.6% 准确率（较基座 Qwen3.5-9B 提升 14.8 个百分点、平均步数从 31.6 降至 14.0），在 WindowsAgentArena 上达到 36.0%（提升 4.0 个百分点）。

    Zhejiang UniversityPeking UniversityTsinghua University
    Tongbo Chen（第一作者）Yongliang Shen（通讯作者）
    HybridCUA框架HybridCUA-8K数据集可验证奖励强化学习计算机使用智能体

已读完全部报道