🔥 Qwen-CUA показывает: сильному компьютерному агенту достаточно экрана, мыши и клавиатуры Главная идея: AI может работать с любым приложением так же, как человек — через обычный интерфейс. Без: - DOM сайта; - API конкретного приложения; - accessibility labels; - специальных инструментов под каждую задачу. Агент получает только скриншоты и управляет компьютером через клики и нажатия клавиш. Для обучения использовали: - около 40 000 проверяемых задач; - почти 100 000 виртуальных CPU-ядер; - множество разных программных окружений. Главная проблема таких агентов — длинные задачи. Ошибка в начале может сломать весь сценарий, а правильный результат часто становится понятен только в конце. Qwen-CUA решает это через визуальную память: - хранит последние 20 скриншотов; - старую историю сжимает; - сохраняет контекст предыдущих действий. Результаты: - OSWorld-Verified: 86.2 балла - сложные long-horizon задачи всё ещё остаются большим вызовом. Самый интересный вывод: Скриншот может стать универсальным API для AI-агентов. Вместо создания интеграции для каждого приложения отдельно, агент учится работать с тем же интерфейсом, которым пользуются люди. 📄 Paper: https://arxiv.org/abs/2608.02352 Qwen-CUA: Native Computer Use for (almost) Everything