مقاله‌ی arXiv:2609.38008 · منتشرشده در کانال
HybridCUA: Learning to Orchestrate GUI and CLI for Computer-Use Agents
هایبریدکوآ: یادگیری هماهنگ‌سازی رابط گرافیکی و خط فرمان برای ایجنت‌های استفاده از کامپیوتر
- تاریخ
- (۷ مهر ۱۴۰۵) 2026-09-29 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Tongbo Chen, Junbo Niu, Zhengxi Lu, Niu Lian, Fei Tang, Yuchen Yan, Yike Hong, Yong Du, Yizhou Liu, Bofan Chen, Yongliang Shen
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
ایجنت‌های استفاده از کامپیوتر یا فقط به تعامل با رابط گرافیکی تکیه دارند که اغلب ناکارآمد و پرخطاست، یا آن را با رابط‌های برنامه‌نویسی و ابزارهای ویژه‌ی هر برنامه تقویت می‌کنند که مهندسی زیادی می‌خواهد و به برنامه‌های دیگر مقیاس نمی‌یابد. ترکیب رابط گرافیکی با خط فرمان امیدوارکننده است، اما مدل‌های فعلی نمی‌دانند کِی و چطور از خط فرمان استفاده کنند.
روش
نویسنده‌ها یک خط‌لوله‌ی ساخت داده توسعه دادند که سه نوع مسیر تولید می‌کند: فقط رابط گرافیکی، فقط خط فرمان، و ترکیب درهم هر دو، که مجموعه‌ی HybridCUA-8K با ۵ هزار مسیر ترکیبی و ۳ هزار تسک قابل تأیید برای یادگیری تقویتی را ساخت. آموزش دو مرحله دارد: تنظیم دقیق نظارت‌شده روی مسیرها و سپس یادگیری تقویتی با پاداش آگاه از خط فرمان که استفاده‌ی گزینشی و قابل اعتماد از خط فرمان را تشویق می‌کند.
یافته‌ها
- مدل HybridCUA-9B روی OSWorld به دقت ۵۳٫۶ درصد رسید، ۱۴٫۸ واحد درصد بهتر از مدل پایه.
- روی WindowsAgentArena کارایی را ۴٫۰ واحد درصد بالا برد.
محدودیت‌ها
متن کامل HTML مقاله در دسترس نیست و این خلاصه فقط بر چکیده تکیه دارد؛ چکیده محدودیت‌ها و وابستگی سازمانی نویسنده‌ها را نمی‌گوید.
چرا مهم است
بسیاری از کارهای کامپیوتری با یک دستور شل سریع‌تر از ده‌ها کلیک انجام می‌شوند. این کار نشان می‌دهد آموزش ایجنت برای انتخاب درست بین این دو، هم دقت و هم تعمیم بین سیستم‌عامل‌ها را بهتر می‌کند.