ایجنت کامپیوتر

Adaptation of Computer Use Agents to New Software with User Manuals (MAGE)

خلاصه‌ی فارسی هنوز نوشته نشده است.

LEASH: Uncertainty-Aware Weak-to-Strong Escalation and Oversight for Computer-Use Agents

ایجنت ارزانی که فقط وقتی مطمئن نیست کار را به مدل گران‌قیمت می‌سپارد

ایجنت‌هایی که با کامپیوتر کار می‌کنند (کلیک، تایپ، باز کردن برنامه‌ها) در کارهای طولانی یا باید در هر قدم یک مدل پیشرفته‌ی گران اجرا کنند، یا با یک مدل کوچک متن‌باز کار کنند که اغلب شکست می‌خورد. راه میانه این است که مدل ضعیف کار کند و فقط وقتی لازم است کنترل

OS-Helix: Unifying GUI Interaction and Code Execution in Native Computer-Using Agents

ایجنتی که برای کار با کامپیوتر هم روی رابط گرافیکی کلیک می‌کند و هم کد اجرا می‌کند، و یاد گرفته کِی کدام

خودکارسازی واقعی دسکتاپ نه کاملاً تصویری است و نه کاملاً برنامه‌نویسی. ایجنت باید رابط کاربری را بفهمد و در عین حال فایل‌ها، اسکریپت‌ها و وضعیت سیستم را سریع دست‌کاری کند؛ مثلاً برای تغییر نام صد فایل، یک اسکریپت از صد بار کلیک بهتر است. آزمایش‌های اولیه‌ی نوی

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

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 به‌

MAI-Gym: An Open All-in-One Platform for GUI Agent Evaluation and RL Training across Mobile and Computer Environments

پلتفرم بازی برای ارزیابی و آموزش ایجنت‌های رابط گرافیکی در موبایل، کامپیوتر و وب

یادگیری تقویتی برخط با پاداش قابل بررسی، در ریاضی، کدنویسی و کار با ابزار پیشرفت سریعی آورده، اما گسترش آن به ایجنت‌های رابط گرافیکی سخت است: محیط‌های تعاملی گران‌اند و تسک‌های آموزشی واقع‌گرا کم‌اند. کارهای قبلی اپ و تسک تازه ساخته‌اند ولی نه کد آموزش را منتش

Task-State Governance: A Virtual Machine for Verifiable and Recoverable GUI Agent Execution

تسک به شکل یک قرارداد قابل ویرایش: کاربر به جای نظارت بر روند، وضعیت برنامه را کنترل و بازیابی کند

ایجنت‌های رابط گرافیکی حالا گردش کار را در برنامه‌های واقعی اجرا می‌کنند. اما وقتی اجرا از مسیر خارج می‌شود، کاربر باید بفهمد چه چیزی عوض شده، چه چیزی باید دست‌نخورده می‌ماند و چه چیزی هنوز قابل بازیابی است. رابط‌هایی که برنامه‌ی ایجنت را نشان می‌دهند کاربر را

CLASHarness: Benchmarking Multi-Agent Conflict in Computer Use via a Controllable and Verifiable Generation Pipeline

بنچمارک تعارض بین ایجنت‌ها در کار با کامپیوتر: ساب‌ایجنت‌هایی که گزارش کهنه یا دستور متناقض می‌دهند

مدل‌های بینایی-زبان در سیستم‌های چندایجنتی برای خودکارسازی کار با کامپیوتر به کار می‌روند، اما بنچمارک‌ها بیشتر محیط سازگار و همکار را فرض می‌کنند. در همکاری واقعی، ایجنت‌های همکار یا ساب‌ایجنت‌ها وضعیت کهنه گزارش می‌دهند، دستور متناقض صادر می‌کنند یا سر مجوز

Learning How to Remember: Memory Modality Selection for GUI Agents

حافظه‌ی متنی یا تصویری؟ ایجنت رابط گرافیکی باید در هر قدم انتخاب کند

ایجنت‌های رابط گرافیکی مبتنی بر مدل بینایی-زبان برای استفاده از تجربه‌های قبلی به حافظه مجهز می‌شوند، اما معمولاً یک نوع نمایش ثابت دارند و تجربه‌ی بازیابی‌شده را همیشه به یک شکل، مثلاً فقط متن یا فقط تصویر صفحه، می‌دهند. معلوم نیست یک نوع حافظه همیشه بهترین ا

OpenMobile-2: Building Versatile Mobile Agents with Scalable Environments and App-Native Tools

خلاصه‌ی فارسی هنوز نوشته نشده است.

Work2Skill: Capturing Human GUI Experience for Reusable Agent Skill Induction

ثبت تجربه‌ی کار انسان با رابط گرافیکی و تبدیل آن به اسکیل‌های قابل استفاده‌ی دوباره برای ایجنت

ایجنت‌های کار با کامپیوتر کارهای رابط گرافیکی پیچیده‌تری انجام می‌دهند، اما نرم‌افزارهای ناآشنا و گردش‌کارهایی که دانش حوزه‌ی انسانی می‌خواهند هنوز چالش‌برانگیزند. نمایش‌های انسانی دانش رویه‌ای را در همان فضای تعامل منتقل می‌کنند، اما استفاده‌ی دوباره‌شان نیاز

SoftwareGym: Scaling Computer-Use Agent Training with Diverse Synthesized Software Environments

ساخت خودکار ۱۸۲ نرم‌افزار دسکتاپ تست‌شده برای آموزش ایجنت‌های کار با کامپیوتر

ایجنت‌های کار با کامپیوتر سریع بهتر می‌شوند، اما ساختن محیط‌های نرم‌افزاری متنوع و قابل اعتماد در مقیاس سخت است. محیط‌های برنامه‌ی واقعی تلاش ساخت و یکپارچه‌سازی زیادی می‌خواهند و پوشش برنامه‌ها را محدود می‌کنند و خطر بیش‌برازش روی برنامه‌های خاص را بالا می‌بر

CLIFT: Conformal Self-Verification for Web Agent Training and Test-Time Scaling

کلیفت: خودتأییدی هم‌دیس برای آموزش ایجنت‌های وب و مقیاس دادن زمان آزمون

ایجنت‌های وب متن‌باز حالا برای اجرای تسک‌های واقعی مرورگر به اندازه‌ی کافی قوی‌اند، اما آموزششان با یادگیری تقویتی هنوز به نظارت ضعیف وابسته است: موفقیت دودویی تسک برای اعتباردهی بیش از حد پراکنده است و داورهای مدل پیشرو برای هر گام گران‌اند و در استقرار هم در

GUI-HARVEST: Self-Improving GUI Agents through Evidence-Driven Harness Evolution

جی‌یوآی‌هاروست: ایجنت‌های رابط گرافیکی خودبهبود با تکامل هارنس بر پایه‌ی شواهد

هارنس اجرایی اطراف یک مدل رابط گرافیکی تعیین می‌کند مشاهده‌ها چطور جمع شوند، کنش‌ها چطور اجرا شوند و تأیید، بازیابی و پایان چطور کنترل شوند. بهینه‌سازی خودکار این هارنس سه چالش به هم پیوسته دارد: تطبیق نیت مدل با اثر بصری مشاهده‌شده، تشخیص شکست زیر نتایج متغیر

HybridCUA: Learning to Orchestrate GUI and CLI for Computer-Use Agents

هایبریدکوآ: یادگیری هماهنگ‌سازی رابط گرافیکی و خط فرمان برای ایجنت‌های استفاده از کامپیوتر

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

Relevance Does Not Imply Applicability: Experience Activation for Personal GUI Agents

مرتبط بودن به معنای کاربردی بودن نیست: فعال‌سازی تجربه برای ایجنت‌های شخصی رابط گرافیکی

ایجنت‌های شخصی رابط گرافیکی به تاریخچه‌ی تعامل تکیه دارند تا از دستورهای مبهم بفهمند کاربر چه می‌خواهد و روال‌های تکراری را پیش‌بینی کنند. روش‌های موجود تاریخچه‌ی مرتبط با تسک را بازیابی و به کانتکست اضافه می‌کنند و فرض می‌کنند برای همه‌ی تصمیم‌های درون تسک مف