مقاله‌ی arXiv:2610.22200 · منتشرشده در کانال
OpenGCUA: Toward a Fully Open Stack for Generalist Computer Use
یک پشته‌ی کاملاً باز برای ایجنت‌هایی که با کامپیوتر کار می‌کنند، با ترکیب کلیک و کد
- تاریخ
- (۲۳ مهر ۱۴۰۵) 2026-10-15 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Hanzhang Zhou, Long Li, Quyu Kong, Lei Wang, Panrong Tong, Long Chen, Tianyu Xia, Gongjie Zhang, Xu Zhang, Chen Liu, Jianan Zhang, Chenglin Cai, Zhengwen Zeng, Steven Hoi, Yue Wang
- نهاد نویسنده‌ها
- Alibaba
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
ایجنت‌های کار با کامپیوتر دارند از تعامل صرفاً گرافیکی (دیدن صفحه و کلیک) به سیستم‌هایی می‌رسند که هم از رابط تصویری و هم از رابط برنامه‌نویسی استفاده می‌کنند. اما پیاده‌سازی‌های پیشرو، مثل سیستم کار با کامپیوتر GPT-6 Astra، بسته‌اند و نمی‌شود طراحی‌شان را به‌طور منظم بررسی کرد.
روش
پروژه‌ی OpenGCUA قرار است کل پشته‌ی این ایجنت‌ها را با جامعه باز کند و این گزارش نسخه‌ی اول آن است. اجرای کد محور طراحی است: نتیجه‌ی میانی یک کد می‌تواند قدم بعدی را تعیین کند و مدل می‌تواند مهارت برنامه‌نویسی‌اش را مستقیم برای کار با کامپیوتر به کار ببرد. نویسنده‌ها همچنین بعضی تصمیم‌ها را که قبلاً با قاعده‌های ثابت هارنس گرفته می‌شد، مثل این‌که کِی از صفحه عکس گرفته شود، به خود مدل سپرده‌اند.
یافته‌ها
- روی OSWorld-v2، پیکربندی کامل امتیاز هر هشت مدل آزموده‌شده را بالا برد، از جمله GPT-6 Astra و Claude Opus ۵؛ میانگین امتیاز جزئی ۱۹٫۶ امتیاز بیشتر شد و تعداد قدم‌ها برای هر تسک به طور میانگین ۵۳ درصد کم شد، نسبت به اجرای فقط-گرافیکی.
- پیاده‌سازی، پرامپت‌ها، مسیرهای ارزیابی هر هشت مدل، و نسخه‌های اولیه‌ی یک هارنس برای دستگاه واقعی و یک کیت توسعه‌ی مشترک برای کامپیوتر، موبایل و مرورگر منتشر شده است.
- در چهار تسک واقعی روی مک، بعضی اجراهای Qwen3.8-Max تقریباً ۱۹ برابر GPT-6 Astra توکن استدلال مصرف کردند؛ یعنی کارایی مدل‌ها روی دستگاه واقعی خیلی متفاوت است.
محدودیت‌ها
این گزارش نسخه‌ی اول یک پروژه‌ی در حال پیشرفت است؛ هارنس دستگاه واقعی و کیت توسعه هنوز اولیه‌اند و آزمایش روی دستگاه واقعی فقط چهار تسک داشته است. نویسنده‌ها همچنین می‌گویند دسترسی‌ها و وضعیت برنامه‌ها روی دستگاه واقعی محدودیت‌هایی می‌سازند که بنچمارک‌ها کامل نشان نمی‌دهند.
چرا مهم است
وقتی بهترین ایجنت‌های کار با کامپیوتر بسته‌اند، پژوهش روی آن‌ها سخت است. یک پشته‌ی باز با داده‌ی کامل اجرای هشت مدل، امکان می‌دهد ببینیم کدام تصمیم طراحی، مثل اجرای کد به جای کلیک، واقعاً فرق ایجاد می‌کند.