Исследователи представили Qwen-CUA, нативного агента для управления компьютером, построенного на основе модели Qwen mixture-of-experts объёмом 397B-A17B. Система работает путём анализа скриншотов и выполнения действий через события клавиатуры и мыши, без использования DOM-деревьев или метаданных доступности.
- Она поддерживает до 20 активных скриншотов и сжимает более старую визуальную историю фиксированными блоками для сохранения недавних данных.
- Обучение проводилось на облачном кластере из почти 100 000 vCPU и примерно 40 000 верифицируемых задач.
- Qwen-CUA превосходит Qwen3.7 по восьми бенчмаркам, достигая 86.2 на OSWorld-Verified и 18.5/48.4 (бинарное/частичное завершение) на OSWorld 2.0.
- Масштабирование подхода до более чем триллиона параметров даёт Qwen-CUA-Max, улучшая результаты до 87.6 и 21.2/53.3 соответственно.
- Модель снижает успешность атак RedTeamCUA с 36.6 до 16.4 по сравнению с Qwen3.7.
Эти результаты подтверждают нативное управление компьютером как универсальную основу для агентов, выделяя масштабируемое верифицируемое взаимодействие и гибридное использование инструментов как ключевые направления.