标题Qwen-CUA: Native Computer Use for (almost) Everything来源arXiv, 2608.02352v1️文章简介研究问题如何构建仅通过截图观察和键鼠操作就能像人类一样通用且高效地操作各类软件的智能体主要贡献论文提出Qwen-CUA一个基于397B混合专家模型的纯视觉原生电脑使用智能体在八大基准测试中超越Qwen3.7并媲美顶尖闭源模型。重点思路最小化交互接口智能体仅接收屏幕截图作为输入输出键盘和鼠标事件不依赖DOM树、无障碍元数据或特定API确保跨软件通用的泛化能力。长程视觉上下文管理将活跃视觉历史扩展至20张截图采用分块折叠策略将旧截图替换为固定文本占位符既保留近期视觉证据又维持提示词前缀稳定以优化KV缓存复用。大规模可验证训练基础设施构建拥有近10万vCPU的云滚动集群支持数万个并发环境合成约4万个可验证任务涵盖日常及专业软件工作流并结合个性化人工轨迹进行监督。迭代式强化学习优化利用可执行结果奖励和长程轨迹切片技术采用软自适应策略优化SAPO算法通过迭代训练利用当前策略刷新监督数据混合比例并校准强化学习任务分布。分析总结性能全面领先在OSWorld-Verified上得分86.2显著优于Qwen3.7的73.3在OSWorld 2.0的二进制/部分完成率上也大幅提升扩展至万亿参数的Qwen-CUA-Max进一步提升了长程任务表现。安全性显著增强在RedTeamCUA基准测试中攻击成功率从Qwen3.7的36.6%降至16.4%同时保持了较高的良性任务成功率证明其具备更强的抗间接提示注入能力。效率与混合工具潜力分析显示性能提升并非源于更冗长的推理实验表明将原生交互与Bash命令行结合可显著缩短交互轨迹尽管当前路由策略仍有优化空间但证明了混合代理的高效前景。个人观点论文坚持“纯视觉原生键鼠”的最小化接口设计分块视觉折叠机制巧妙解决了长程交互中的上下文爆炸问题大规模可验证环境的构建则为解决GUI智能体训练数据稀缺和奖励稀疏难题提供了工程范式。