arxiv arXiv cs.LG · 1 jam lalu · research

Qwen merilis Qwen-CUA, agen penggunaan komputer asli 397B-A17B

Diterjemahkan dari English → Bahasa Indonesia

Qwen memperkenalkan Qwen-CUA, agen penggunaan komputer asli yang dibangun di atas backbone mixture-of-experts 397B-A17B yang beroperasi melalui tangkapan layar dan peristiwa input tanpa mengandalkan pohon DOM atau metadata aksesibilitas. Sistem ini memanfaatkan kerangka kerja untuk mempertahankan hingga 20 tangkapan layar aktif dan dilatih menggunakan armada rollout cloud dengan hampir 100.000 vCPU di sekitar 40.000 tugas yang dapat diverifikasi.

Qwen-CUA mengungguli Qwen3.7 pada delapan benchmark, mencapai skor 86.2 pada OSWorld-Verified dan skor kompetitif pada OSWorld 2.0.
Skala pendekatan ke lebih dari satu triliun parameter menghasilkan Qwen-CUA-Max, yang meningkatkan skor OSWorld-Verified menjadi 87.6.
Model ini mengurangi tingkat keberhasilan serangan RedTeamCUA dari 36.6 menjadi 16.4 relatif terhadap Qwen3.7.

Hasil-hasil ini menetapkan penggunaan komputer asli sebagai fondasi agen yang mampu secara luas dan menyoroti interaksi terverifikasi yang dapat diskalakan sebagai arah utama untuk pengembangan di masa depan.

Kepentingan 2/3 arXiv cs.LG Alibaba (Qwen) AI agents Research paper

Benchmark

Benchmark	Model	Skor
OSWorld 2.0	Qwen-CUA-Max	21.2%
OSWorld 2.0	Qwen-CUA	18.5%

Artikel terkait

arxiv arXiv cs.CL · 5 jam lalu · 2 tayangan

Qwen merilis Qwen-CUA, agen penggunaan komputer asli 397B-A17B

Peneliti telah memperkenalkan Qwen-CUA, agen penggunaan komputer asli yang dibangun di atas backbone campuran-ahli Qwen 397B-A17B. Sistem ini beroperasi dengan mengamati tangkapan layar dan bertindak melalui peristiwa keyboard dan mouse, tanpa bergantung pada pohon DOM atau metadata aksesibilitas.

arxiv arXiv cs.AI · 4 hari lalu · 1 tayangan

Qwen-UI-Agent menetapkan standar terbaru pada benchmark penggunaan seluler

Tim Qwen telah merilis laporan teknis untuk Qwen-UI-Agent, agen GUI dasar yang berpusat pada dunia nyata dan dirancang untuk beroperasi secara andal di lingkungan seluler, penggunaan komputer, web, dan DeepSearch. Sistem ini menggabungkan berbagai lingkungan sandbox dengan runtime seluler perangkat nyata berskala besar, menyelingkan operasi GUI dengan eksekusi CLI dan mendukung tugas jangka panjang.

arxiv arXiv cs.CL · 7 hari lalu

AgentOmnia menskalakan model agentic di seluruh aplikasi skenario penuh

Peneliti mempresentasikan AgentOmnia, sebuah kerangka kerja untuk penskalaan agentic skenario penuh yang mengoordinasikan definisi ruang tugas, sintesis data, pasca-pelatihan, evaluasi, dan peningkatan di seluruh aplikasi To-Consumer, To-Business, dan To-Employee. Sistem ini memanfaatkan taksonomi yang dapat diperluas dan membangun 5.018 lingkungan stateful dengan 255.375 alat dan 52.361 tugas untuk memungkinkan diagnosis halus melalui OmniaBench.

arxiv arXiv cs.LG · 19 hari lalu

TRACE meningkatkan penggunaan alat agen jangka panjang melalui estimasi kredit per giliran

Para penulis mengusulkan TRACE (Turn-level Reward Assignment via Credit Estimation), sebuah metode penugasan kredit padat untuk pembelajaran penguatan agentic yang mengatasi kelangkaan dan varians tinggi dari reward hasil dalam tugas jangka panjang. Dengan merepresentasikan rollout sebagai transisi keadaan pada batas panggilan alat dan menurunkan reward per aksi dari nilai keadaan rasio log, TRACE memungkinkan pelatihan efektif tanpa kritikus tambahan atau tahap fine-tuning terawasi.

arxiv Moonshot AI (arXiv) · 280 hari lalu · 1 tayangan

Laporan Teknis Tongyi DeepResearch

Laporan Teknis Tongyi DeepResearch memperkenalkan model bahasa besar agentic yang dirancang untuk tugas penelitian pencarian informasi mendalam dan berjangka panjang. Sistem ini memanfaatkan pipeline sintesis data sepenuhnya otomatis dan kerangka pelatihan end-to-end yang menggabungkan pelatihan menengah agentic dan pelatihan pasca untuk memungkinkan penalaran yang skalabel.