論文の概要: CUAWright: A Minimal Unified Interface for Digital Agents

• arxiv url: http://arxiv.org/abs/2610.04116v1
• Date: Fri, 02 Oct 2026 22:43:06 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:15:37.862738
• Title: CUAWright: A Minimal Unified Interface for Digital Agents
• Title（参考訳）: CUAWright: デジタルエージェントのための最小統一インターフェース
• Abstract要約: CUAWrightは,bashコマンドを唯一のアクションインターフェースとして使用する,約3K行のコードからなる最小限の端末ハーネスである。 我々は、広範囲のデジタルタスクにわたる包括的な実験を行い、エージェントに最小限のプログラム可能なインタフェースを与えることで、より強力な結果が得られることを示した。
• 参考スコア（独自算出の注目度）: 31.63022915016869
• License:
• Abstract: The prevailing approach to computer-use agents couples a model with a domain-specific harness: a browser or desktop environment equipped with human engineered tools that are fixed before task execution. As models' coding capabilities improve, the GUI native and static harness prevents them from direct programmatic operation on system state, as well as flexible construction of tools. To this end, we introduce CUAWright, a minimal terminal harness of roughly 3K lines of code that uses bash commands as its sole action interface, and a file system as its evolvable space for dynamically creating tools and managing the context. We conduct comprehensive experiments across a wide range of digital tasks, and demonstrate that by giving the agent a minimal, programmable interface, it achieves substantially stronger results compared to their GUI or hybrid CLI interface across a wide range of tasks. On OSWorld 2.0, CUAWright delivers a 33.2% relative improvement in partial reward while reducing estimated cost by 37.5% compared with the published GPT-5.5 baseline. On Online-Mind2Web and the long horizon Odysseys benchmark, CUAWright substantially outperforms GUI native harness by 4.7% and 44.0% in success rate, respectively. Furthermore, we found the gains extend to CAD applications that require accurate visual understanding and CLI interaction: on CADGenBench and BenchCAD, our unified harness yields 8.1%-41.6% relative improvements over other CLI based harnesses with GPT-5.5. Together, these results suggest digital environments are far more programmable than their GUI interfaces imply, and a minimal terminal-focused harness is the key for better performance and efficiency.
• Abstract（参考訳）: コンピュータ利用エージェントに対する一般的なアプローチは、タスク実行前に修正された人為的なツールを備えたブラウザまたはデスクトップ環境という、ドメイン固有のハーネスとモデルを結合する。 モデルのコーディング能力が向上するにつれて、GUIネイティブと静的ハーネスにより、システム状態の直接プログラム操作や、柔軟なツール構築が防止される。 この目的のために、CUAWrightは、bashコマンドを唯一のアクションインターフェースとして使用する、約3K行のコードからなる最小限の端末ハーネスであり、ツールを動的に作成し、コンテキストを管理するための進化可能な空間としてファイルシステムである。 我々は、広範囲のデジタルタスクに対して包括的な実験を行い、エージェントに最小限のプログラマブルインターフェースを与えることで、GUIやハイブリッドCLIインターフェースに比べて、広範囲のタスクに対してはるかに強力な結果が得られることを実証した。 OSWorld 2.0では、CUAWrightは部分報酬を33.2%改善し、推定コストをGPT-5.5ベースラインと比較すると37.5%削減した。 Online-Mind2WebとOdysseysベンチマークでは、CUAWrightはGUIネイティブハーネスをそれぞれ4.7%、成功率44.0%で大幅に上回っている。 さらに、CADGenBenchとBenchCADでは、GPT-5.5で他のCLIベースのハーネスよりも8.1%-41.6%改善した。 これらの結果は、デジタル環境はGUIインターフェースが示すよりもはるかにプログラム可能であり、最小限の端末中心のハーネスがパフォーマンスと効率向上の鍵であることを示唆している。

関連論文リスト

• HybridCUA: Learning to Orchestrate GUI and CLI for Computer-Use Agents [18.355727744821355]
  コンピュータ利用エージェント(CUA)は、デジタルタスクを完了させる強力な能力を示している。 次世代CUAはGUIインタラクションとコマンドラインインターフェース(CLI)を組み合わせるべきだと我々は主張する。 重要な課題は、現在のモデルがタスク実行中にCLIを使用するタイミングや使い方を知らないことだ。
  論文  参考訳（メタデータ） (2026-09-29T16:57:25Z)
• RecreationWorld: Scalable and Verifiable Environments for Hybrid Computer-Use Agents [53.51359930826217]
  真のデジタルワークには、端から端まで積み重ねるのではなく、両方をインターリーブする必要があります。 インターフェースを探索し、ソフトウェアを実装し、それらのアーティファクトを実行し、視覚的に検証するタイミングを自律的に決定するハイブリッドCUAについて研究する。 レクリエーションを中心に構築された5プラットフォームフレームワークであるRecreationWorldを紹介します。
  論文  参考訳（メタデータ） (2026-09-18T17:00:56Z)
• CUA-Universe: A Scalable and Dynamic Environment for Hybrid GUI+CLI Agents [57.098070497654874]
  コンピュータ利用エージェントはOSWorldやAndroidWorldのようなベンチマークに進歩してきたが、いまだGUIを通して動作している。 本稿では,スケーラブルな環境間パイプラインCUA-Universeを紹介する。
  論文  参考訳（メタデータ） (2026-09-04T17:26:18Z)
• Mobile-Agent-v3.5: Multi-platform Fundamental GUI Agents [56.72789202127874]
  この記事では、最新のネイティブGUIエージェントモデルであるGUI-Owl-1.5を紹介する。 クラウドとエッジのコラボレーションとリアルタイムのインタラクションを実現するために、さまざまなプラットフォーム(デスクトップ、モバイル、ブラウザなど)をサポートしている。 オープンソースモデル上で20以上のGUIベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2026-02-15T01:52:19Z)
• POINTS-GUI-G: GUI-Grounding Journey [22.35782799756431]
  POINTS-GUIG-8Bは、ScreenSpotProで59.9、OSWorld-Gで66.0、ScreenSpot-v2で95.7、UIVisionで49.9のスコアで最先端のパフォーマンスを実現する。 モデルの成功は,(1)データ工学の精錬,(2)訓練戦略の改善,(3)検証されたリワードによる強化学習の3つの要因によって引き起こされる。
  論文  参考訳（メタデータ） (2026-02-06T05:14:11Z)
• MAI-UI Technical Report: Real-World Centric Foundation GUI Agents [33.46555542782679]
  MAI-UIは、2B、8B、32B、および235B-A22Bを含む全範囲のGUIエージェントのファミリーである。 ネイティブエージェント-ユーザインタラクションの欠如、UIのみの操作の限界、実用的なデプロイメントアーキテクチャの欠如です。
  論文  参考訳（メタデータ） (2025-12-26T14:51:52Z)
• UI-TARS-2 Technical Report: Advancing GUI Agent with Multi-Turn Reinforcement Learning [155.51875080423883]
  グラフィカルユーザインタフェースのための自律エージェントの開発は、人工知能における大きな課題を示している。 本稿では,GUI中心のエージェントモデルであるUI-TARS-2を提案する。 実証的な評価では、UI-TARS-2は以前のUI-TARS-1.5よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-09-02T17:44:45Z)

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。