Computer Use Agent Tool Use Reinforcement Learning Multimodal
摘要

本文提出Qwen-CUA,一种基于397B-A17B混合专家模型的原生计算机使用智能体。该智能体仅通过截图观察和键鼠操作软件,无需DOM树或特定API。其架构通过维护最近20张截图并折叠历史视觉信息来管理长期状态。训练方面,利用大规模云集群收集近4万可验证任务及个人化长程工作流,通过可验证奖励和轨迹切片优化完整轨迹。实验显示,Qwen-CUA在多个基准测试中表现优异,超越Qwen3.7,且其万亿参数版本Qwen-CUA-Max进一步提升了性能,同时增强了安全性。

AI 推荐理由

论文核心在于构建能操作计算机的Agent,涉及键盘鼠标控制及工具使用技能的学习与优化。

研究机构
Qwen Team Xlang Lab
论文信息
作者 Dunjie Lu, Shuai Bai, Tianyi Bai, Sicheng Fan, Chang Gao et al.
发布日期 2026-08-03
arXiv ID 2608.02352
相关性评分 9/10 (高度相关)