arxiv arXiv cs.CL · il y a 1 h · research

Qwen publie Qwen-CUA, un agent d'utilisation native du ordinateur de 397B-A17B

Traduit de English → Français

Les chercheurs ont présenté Qwen-CUA, un agent d'utilisation native du ordinateur construit sur une colonne vertébrale à experts mélangés Qwen de 397B-A17B. Le système fonctionne en observant des captures d'écran et en agissant par le biais d'événements clavier et souris, sans s'appuyer sur les arbres DOM ou les métadonnées d'accessibilité.

Il maintient jusqu'à 20 captures d'écran actives et regroupe l'historique visuel plus ancien en blocs de taille fixe pour conserver les preuves récentes.
L'entraînement a utilisé une flotte de déploiement cloud avec près de 100 000 vCPU et environ 40 000 tâches vérifiables.
Qwen-CUA surpasse Qwen3.7 sur huit benchmarks, atteignant 86,2 sur OSWorld-Verified et 18,5/48,4 pour la complétion binaire/partielle sur OSWorld 2.0.
L'extension de l'approche à plus d'un billion de paramètres donne Qwen-CUA-Max, améliorant les scores à 87,6 et 21,2/53,3 respectivement.
Le modèle réduit le taux de succès des attaques RedTeamCUA de 36,6 à 16,4 par rapport à Qwen3.7.

Ces résultats établissent l'utilisation native du ordinateur comme une base d'agent largement capable, mettant en évidence l'interaction vérifiable évolutive et l'utilisation hybride d'outils comme des directions clés.

Importance 2/3 arXiv cs.CL Alibaba (Qwen) AI agents Research paper

Benchmarks

Benchmark	Modèle	Score
OSWorld 2.0	Qwen-CUA-Max	21.2%
OSWorld 2.0	Qwen-CUA	18.5%

Lire l'original

Articles similaires

arxiv arXiv cs.AI · il y a 4 j · 1 vue

Qwen-UI-Agent établit un record sur les benchmarks d'utilisation mobile

L'équipe Qwen a publié un rapport technique pour Qwen-UI-Agent, un agent GUI fondamental centré sur le monde réel conçu pour fonctionner de manière fiable dans des environnements mobiles, d'utilisation d'ordinateur, web et DeepSearch. Le système combine divers environnements sandbox avec un runtime mobile sur appareil réel à grande échelle, entrelaçant les opérations GUI avec l'exécution CLI et prenant en charge des tâches à long terme.

arxiv arXiv cs.CL · il y a 7 j

AgentOmnia étend les modèles agents à des applications de scénarios complets

Les chercheurs présentent AgentOmnia, un cadre d'échelle agentique pour des scénarios complets qui coordonne la définition de l'espace de tâches, la synthèse de données, le post-entraînement, l'évaluation et l'amélioration dans les applications To-Consumer, To-Business et To-Employee. Le système utilise une taxonomie extensible et construit 5 018 environnements avec état dotés de 255 375 outils et 52 361 tâches pour permettre un diagnostic fin via OmniaBench.

arxiv arXiv cs.LG · il y a 19 j

TRACE améliore l'utilisation d'outils par les agents à long terme via l'estimation du crédit au niveau des tours

Les auteurs proposent TRACE (Turn-level Reward Assignment via Credit Estimation), une méthode d'attribution de crédit dense pour l'apprentissage par renforcement agentique qui traite la parcimonie et la haute variance des récompenses de résultat dans les tâches à long terme. En représentant les rollouts comme des transitions d'état aux limites d'appel d'outil et en déduisant les récompenses par action à partir des valeurs d'état de rapport logarithmique, TRACE permet un entraînement efficace sans critiques supplémentaires ni étapes de réglage fin supervisé.

arxiv Moonshot AI (arXiv) · il y a 280 j · 1 vue

Rapport technique sur Tongyi DeepResearch

Le rapport technique sur Tongyi DeepResearch présente un modèle de langage large (LLM) agentique conçu pour des tâches de recherche d'information approfondies et à long terme. Le système utilise un pipeline de synthèse de données entièrement automatique et un cadre d'entraînement de bout en bout combinant l'entraînement intermédiaire agentique et l'entraînement postérieur pour permettre un raisonnement évolutif.

lab OpenAI News · il y a 3 j · 13 vues

Le modèle Astra résout dix problèmes ouverts en mathématiques et en informatique théorique

Le modèle interne Astra d'OpenAI a généré des solutions à dix problèmes ouverts de longue date en mathématiques et en informatique théorique, avec les arguments formalisés dans Lean. Ces résultats couvrent la géométrie de haute dimension, la théorie du codage, la théorie des groupes et la complexité quantique, abordant des questions qui n'avaient connu aucun progrès depuis au moins une décennie.