研究人员推出了Qwen-CUA，这是一种基于397B-A17B Qwen混合专家骨干网络构建的原生计算机使用智能体。该系统通过观察屏幕截图并借助键盘和鼠标事件进行操作，不依赖DOM树或辅助功能元数据。

  • 它保留最多20张活动截图，并将较早的视觉历史以固定大小的块进行折叠，以保留最近的证据。
  • 训练使用了拥有近10万个vCPU的云 rollout 集群以及约4万个可验证任务。
  • Qwen-CUA在八个基准测试中超越了Qwen3.7，在OSWorld-Verified上达到86.2分，在OSWorld 2.0上的二进制/部分完成率分别为18.5/48.4。
  • 将该方法扩展至超过一万亿参数后得到Qwen-CUA-Max，分数分别提升至87.6和21.2/53.3。
  • 与Qwen3.7相比，该模型将RedTeamCUA攻击成功率从36.6降低至16.4。

这些结果确立了原生计算机使用作为广泛能力的智能体基础，突显了可扩展的可验证交互和混合工具使用为关键方向。