研究者らは、397B-A17B Qwen 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であるQwen-CUAを発表した。本システムはDOMツリーやアクセシビリティメタデータに依存することなく、スクリーンショットの観察とキーボード・マウスイベントによる操作によって動作する。

  • 最大20枚のアクティブなスクリーンショットを保持し、古い視覚履歴は固定サイズのブロックに圧縮して最新の証拠を維持する。
  • トレーニングには約10万vCPUと約4万件の検証可能なタスクを持つクラウドロールアウトフリートが利用された。
  • 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のバイナリ/部分的完了でそれぞれ18.5/48.4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、スコアをそれぞれ87.6と21.2/53.3に改善した。
  • Qwen3.7と比較して、RedTeamCUA攻撃の成功率は36.6から16.4に低下した。

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とハイブリッドツール利用が重要な方向性であることを強調している。