論文の概要: Qwen-CUA: Native Computer Use for (almost) Everything
- arxiv url: http://arxiv.org/abs/2608.02352v1
- Date: Mon, 03 Aug 2026 15:04:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.615571
- Title: Qwen-CUA: Native Computer Use for (almost) Everything
- Title（参考訳）: Qwen-CUA: すべて(ほとんど)のネイティブコンピュータ使用
- Abstract要約: 本稿では,Qwen-CUAについて紹介する。
DOMツリー、アクセシビリティメタデータ、タスク固有のAPIなしで、スクリーンショットのみを観察し、キーボードやマウスのイベントを通じて動作します。
足場は最大20個のアクティブなスクリーンショットを保持し、最近の証拠を保持するために固定サイズのブロックで古い視覚履歴を折り畳む。
- 参考スコア（独自算出の注目度）: 104.78368489343713
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Native computer use offers a general interface for agents to operate almost any software available to people, but requires long-horizon state tracking, large-scale interactive experience, and learning from sparse yet verifiable outcomes. We introduce Qwen-CUA, a native computer-use agent with a 397B-A17B Qwen mixture-of-experts backbone. It observes only screenshots and acts through keyboard and mouse events, without DOM trees, accessibility metadata, or task-specific APIs. Its scaffold maintains up to 20 active screenshots and folds older visual history in fixed-size blocks to retain recent evidence while preserving reusable prompt prefixes. For training, we build a cloud rollout fleet with access to nearly 100,000 vCPUs and tens of thousands of concurrent environments, construct approximately 40,000 verifiable tasks, and collect personalized long-horizon workflows across everyday and professional software. We optimize complete trajectories with verifiable rewards and trajectory slicing, while iterative training runs refresh supervised data and recalibrate reinforcement-learning tasks. Across eight benchmarks, Qwen-CUA outperforms Qwen3.7 and remains competitive with leading proprietary systems, reaching 86.2 on OSWorld-Verified and 18.5/48.4 binary/partial completion on OSWorld 2.0. Scaling the same recipe to a model with over one trillion parameters yields Qwen-CUA-Max, improving these scores to 87.6 and 21.2/53.3. Qwen-CUA also reduces RedTeamCUA attack success from 36.6 to 16.4 relative to Qwen3.7. Efficiency analyses, a browser deployment, and Bash-augmented experiments further characterize practical behavior. These results establish native computer use as a broadly capable agent foundation and highlight scalable verifiable interaction and hybrid tool use as key directions.
- Abstract（参考訳）: ネイティブコンピュータの使用は、エージェントがほとんどすべてのソフトウェアを操作できるようにする汎用インターフェースを提供するが、長期的な状態追跡、大規模なインタラクティブ体験、そして未検証の結果から学ぶ必要がある。
Qwen-CUAは,397B-A17BのQwenミキシング・オブ・エキスパートバックボーンを持つネイティブコンピュータ利用エージェントである。
DOMツリー、アクセシビリティメタデータ、タスク固有のAPIなしで、スクリーンショットのみを観察し、キーボードやマウスのイベントを通じて動作します。
足場は最大20個のアクティブスクリーンショットを保持し、古い視覚履歴を固定サイズのブロックに折り畳み、最近の証拠を保持しながら再利用可能なプロンプトプレフィックスを保存する。
トレーニングのために、約10万のvCPUと数万の並行環境にアクセス可能なクラウドロールアウトフリートを構築し、約4万の検証可能なタスクを構築し、日々のソフトウェアやプロフェッショナルソフトウェアにわたってパーソナライズされたロングホライズンワークフローを収集します。
完全軌跡を検証可能な報酬と軌道スライシングで最適化し、反復訓練はリフレッシュ教師付きデータを実行し、強化学習タスクを再調整する。
8つのベンチマークで、Qwen-CUAはQwen3.7を上回っ、主要なプロプライエタリシステムと競合し、OSWorld-Verifiedでは86.2、OSWorld 2.0では18.5/48.4に到達した。
1兆以上のパラメータを持つモデルに同じレシピをスケールすると、Qwen-CUA-Maxが得られ、スコアは87.6と21.2/53.3に改善される。
Qwen-CUAはQwen3.7と比較してRedTeamCUA攻撃の成功率を36.6から16.4に下げる。
効率分析、ブラウザのデプロイ、およびBash拡張された実験により、実用的な振る舞いがさらに特徴づけられる。
これらの結果は、幅広い能力を持つエージェント基盤としてネイティブコンピュータの使用を確立し、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の使用を重要方向として強調する。
関連論文リスト
- UI-Mate: Advancing Open-Weight Foundation GUI Agents with In-Context Demonstrations [68.29650478987561]
UI-Mateは、環境に根ざしたトレーニングスタックとコンテキスト内の実演学習を統合する基盤GUIエージェントである。
OSWorldでは77.0%、WindowsAgentArenaでは66.2%と評価された。
論文 参考訳（メタデータ） (2026-08-16T20:59:59Z) - Dual-Node NVIDIA DGX Spark over Tailscale: A Remote-Access Testbed for Distributed LLM Training and Cyber-Threat-Intelligence Fine-Tuning [0.0]
本報告では,2つのNVIDIA DGX Sparkシステムを対象とした分散NanoChatプリトレーニングのコンセプト実証について述べる。
このクラスタは400レベルのAIコース(CS 426)とCBS 255のSecurity+ POGILアクティビティ用のクエリエンジンをサポートする。
論文 参考訳（メタデータ） (2026-08-07T13:41:57Z) - Qwen-UI-Agent Technical Report: Toward Next-Generation Real-World Centric Foundation GUI Agents [27.09949595397669]
Qwen-UI-Agentは、モバイル、コンピュータ利用、Web、DeepSearch環境にまたがる現実世界のファンデーションGUIエージェントである。
統一されたアクション空間はGUI操作とCLIの実行をインターリーブし、単一のモデルターンでバッチアクションを生成する。
オンラインRLは100回を超える軌道のトレーニングをサポートし、1万以上の環境がロールアウトを加速している。
論文 参考訳（メタデータ） (2026-07-30T13:58:41Z) - OSWorld2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks [98.07146747892239]
OSWorld 2.0は、日常的および専門的なタスクにまたがる108の長い水平コンピュータ使用のベンチマークである。
各タスクは現実的なエンド・ツー・エンドのワークフローを表しており、人間のユーザーの中央値は1.6時間である。
論文 参考訳（メタデータ） (2026-06-28T17:59:17Z) - ENVS: Environment-Native Verified Search for Long-Horizon GUI Agents [35.35193712019351]
Environment-Native Verified Searchは、ポリシー最適化の前に認証された監視を構築する。
OSWorld-Noisyは、リカバリ可能なデスクトップ割り込みのためのベンチマークである。
ENVSはOSWorld-Noisyで30.3pass@8、OSWorld-Noisyで29.0に達し、ARPOスタイルのオンライン検索を上回っている。
論文 参考訳（メタデータ） (2026-06-22T07:28:55Z) - ProCUA-SFT Technical Report [80.97543110323542]
コンピュータ使用エージェント(CUA)の訓練には、全デスクトップ環境で収集された大規模で多様な軌跡データが必要である。
93Kの合成軌道から抽出した3.1MステップレベルのSFTサンプルのデータセットであるProCUA-SFTについて述べる。
ProCUA-SFTの微調整UI-TARS 7Bは、OSWorldで45.0%、ベースモデルよりも18.7ポイント改善されている。
論文 参考訳（メタデータ） (2026-06-15T22:04:11Z) - WeaveBench: A Long-Horizon, Real-World Benchmark for Computer-Use Agents with Hybrid Interfaces [27.11445886768225]
WeaveBenchは,8つの実世界の作業領域に114のタスクを持つ,長期にわたるハイブリッドインターフェースベンチマークである。
デプロイされたCLIエージェントランタイム内の実際のUbuntuデスクトップ上でこれらのタスクを評価し、最小限のデスクトップコントロールプラグインで拡張します。
フロンティアのモデルと実行時のペアリング全体では、最高のPassRateは41.2%にしか達せず、ベンチマークは飽和状態には程遠い。
論文 参考訳（メタデータ） (2026-06-08T12:39:23Z) - CUA-Suite: Massive Human-annotated Video Demonstrations for Computer-Use Agents [17.596111848044476]
CUA-Suiteは、プロのデスクトップコンピュータ利用エージェントのための、専門家によるビデオデモと高密度アノテーションの大規模エコシステムである。
中心となるのがVideoCUAで、87の多様なアプリケーションにわたる約10,000の人為的なタスクを提供する。
CUA-Suiteはさらに2つの補完的なリソースを提供している。UI-VisionはCUAの接地と計画機能を評価するための厳格なベンチマークであり、GroundCUAは56Kの注釈付きスクリーンショットを持つ大規模な接地データセットである。
論文 参考訳（メタデータ） (2026-03-25T15:52:56Z) - GUI-360$^\circ$: A Comprehensive Dataset and Benchmark for Computer-Using Agents [59.107657859025586]
GUI-360$circ$は、コンピュータ利用エージェント(CUA)を進化させるために設計された大規模で包括的なデータセットとベンチマークスイートである。
リリースされたコーパスには、人気のあるWindowsオフィスアプリケーションにおける数千のトラジェクトリにわたる1.2万以上の実行されたアクションステップが含まれている。
このデータセットは、3つの標準タスク、GUIグラウンド、スクリーン解析、アクション予測、ハイブリッドGUI+APIアクションスペースをサポートする。
論文 参考訳（メタデータ） (2025-11-06T12:19:02Z) - OSWorld-MCP: Benchmarking MCP Tool Invocation In Computer-Use Agents [49.34040731113563]
我々は,コンピュータ利用エージェントのツール実行,GUI操作,意思決定能力を評価するための,最初の総合的かつ公正なベンチマークであるOSWorld-MCPを提案する。
厳密な手作業による検証は158の高品質なツールをもたらし、それぞれが正しい機能、実用性、汎用性を検証します。
OSWorld-MCPはマルチモーダルエージェントの理解を深め、複雑なツール支援環境でのパフォーマンスを評価するための新しい標準を設定している。
論文 参考訳（メタデータ） (2025-10-28T15:56:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。