Qwenは、DOMツリーやアクセシビリティメタデータに依存せず、スクリーンショットと入力イベントを通じて動作する397B-A17BのMixture-of-Expertsバックボーン上に構築されたネイティブコンピュータ使用エージェント「Qwen-CUA」を発表した。本システムは最大20枚のアクティブなスクリーンショットを維持するためのスケフォールドを利用し、約40,000件の検証可能なタスクにわたるほぼ100,000 vCPUのクラウドロールアウトフリートを用いてトレーニングされた。
- Qwen-CUAは8つのベンチマークでQwen3.7を上回り、OSWorld-Verifiedで86.2、OSWorld 2.0で競争力のあるスコアを達成した。
- このアプローチを1兆パラメータ超にスケールさせた「Qwen-CUA-Max」は、OSWorld-Verifiedのスコアを87.6に向上させた。
- Qwen3.7と比較して、RedTeamCUA攻撃の成功率を36.6から16.4に削減した。
これらの結果は、ネイティブコンピュータ使用が広範な能力を持つエージェント基盤であることを示し、スケーラブルな検証可能なインタラクションが将来の開発における重要な方向性であることを浮き彫りにした。