OpenGCUA研究公开：不只看屏幕点鼠标，电脑Agent的执行框架也在变

电脑Agent完成任务的方式，不必永远是截图、找按钮、再点一下。10月15日提交的OpenGCUA论文，把视觉界面与程序化操作放进同一个执行框架，让模型选择如何观察、行动和组织任务。

重点是执行框架，不是又一个模型榜单

作者介绍了代码执行、将部分固定框架决策交给模型，以及公开实现、提示与评估轨迹；还提供初步的真实设备框架和跨设备SDK。它是持续推进的研究项目，不能把“开放初版”写成所有电脑和手机都已稳定支持。

论文在特定基准与配置中报告改进，测试任务、模型和比较方式都有限定。分数更高，不自动意味着处理你公司的文档、账号或复杂桌面环境同样可靠。

为什么混用接口值得关注

有些任务适合界面操作，比如确认一份排版；另一些适合结构化接口，比如按明确字段筛选资料。合理切换可能减少无意义点击，但也意味着执行层会接触更多能力，授权边界必须跟上。

试验时先选没有敏感数据、能够撤回的小任务，记录允许读写的目录、可访问的站点和需要人确认的动作。不要为了让演示成功，就直接给整个用户目录和生产账户。

如何判断它是真的完成了

先写明一个可观察的结果：生成了哪份文件、保存在哪、能否重新打开；若修改了数据，还要能对照写前和写后。模型说“完成”不是证据，截图和操作轨迹也需要与最终状态对应。

如果目标应用、账号或文件不存在，应停止报告缺口，而不是换一个相似对象假装完成。对开发者而言，这项研究提供了可检查的框架选择，不是一份替代权限控制与人工验收的保证书。

资料来源与核查时间

• arxiv.org：原始资料

资料核查：2026年10月18日；产品条件与活动安排以原始来源最新说明为准。本文为公开资料编辑整理，不冒充现场采访或实机测评。

继续浏览：最新专题与工具指南。