CUA-Master: Scaling Computer-use Agents through Open-World Recursive Improvements
Pubblicata su AIChronos il · fonte del · Xinlei Yu, Gen Li, Ji Zhao, Zhangquan Chen, Congcong Wang, Shuai Dong
CUA-Master è un framework a doppio anello ricorsivo progettato per scalare gli agenti di computer-use (CUA) superando i limiti della diversità e affidabilità dei dati. Il sistema integra una ruota esterna che utilizza corpus open-world ed evoluzioni del modello per guidare l'ottimizzazione, mentre quella interna accoppia il seeding da video istruzionali con la propagazione autocatalitica per sintetizzare task complessi. Viene introdotto un meccanismo di rollback basato su snapshot guidato dal feedback per garantire una raccolta affidabile delle traiettorie in ambienti reali. Gli esperimenti dimostrano che CUA-Master-27B ottiene prestazioni competitive sui benchmark GUI-only e ibridi, superando metriche chiave come OSWorld Verified.
- Implementazione di un framework ricorsivo a doppio anello (outer world-data-model flywheel e inner data-level flywheel) per migliorare iterativamente gli agenti CUA.
- Utilizzo del visual-semantic dual-path trajectory reconstruction per ricostruire workflow autentici estratti da video istruzionali come task seed.
- Introduzione di un meccanismo feedback-guided snapshot-rollback retry per ottimizzare l'efficienza e l'affidabilità della raccolta delle traiettorie in ambienti reali.
- Sintesi controllabile di dati tramite primitives riutilizzabili derivati dai task seed, permettendo la generazione di compiti diversificati e verificabili.
- Prestazioni competitive su benchmark multipli (OSWorld Verified 80.2, OSWorld 2.0 36.9) con un modello da 27B.
Perché conta. Offre una metodologia strutturata per espandere le capacità degli agenti AI oltre i dati generati internamente, cruciale per lo sviluppo di sistemi autonomi in ambienti open-world. Migliora l'efficienza della sintesi dei dati e la qualità delle traiettorie apprese, riducendo il fenomeno del diminishing return tipico dei metodi ricorsivi tradizionali.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.