PythonAI算法
美团 EvoCUA 刷新开源 SOTA：具备持续进化能力的计算机操作智能体
EvoCUA 是美团推出的原生计算机操作智能体模型，通过构建可验证数据合成引擎与十万级并发交互沙盒，将训练范式从静态轨迹模仿转变为经验进化学习。该方案在 OSWorld 基准测试中以 56.7% 的成功率刷新开源 SOTA，超越部分闭源模型。核心技术包括分层任务空间构建、微服务化沙盒编排及基于关键分岔点的强化学习算法，实现了模型在 GUI 操作中的自我反思与纠错能力。
EvoCUA 是美团推出的原生计算机操作智能体模型，通过构建可验证数据合成引擎与十万级并发交互沙盒，将训练范式从静态轨迹模仿转变为经验进化学习。该方案在 OSWorld 基准测试中以 56.7% 的成功率刷新开源 SOTA，超越部分闭源模型。核心技术包括分层任务空间构建、微服务化沙盒编排及基于关键分岔点的强化学习算法，实现了模型在 GUI 操作中的自我反思与纠错能力。
大模型虽已具备强大的感知与推理能力，但在面对复杂的计算机图形界面操作（Computer Use）任务时，仍受限于高质量数据稀缺与环境交互反馈缺失的双重挑战。美团技术团队推出了 EvoCUA 模型并在 Github、Huggingface 开源，通过构建可验证数据合成引擎与十万级并发的交互沙盒，将训练范式从传统的'静态轨迹模仿'转变为高效的'经验进化学习'。该方案在权威评测基准 OSWorld 上以 56.7% 的成功率刷新了开源 SOTA（2026 年 1 月 6 日榜单），验证了基于经验的进化范式在 GUI 智能体领域的有效性。
随着大模型的发展，AI 已经具备了强大的感知与推理能力。但在真实的使用场景中，我们希望 Agent 不仅能回答问题，更能解决问题——比如自动处理 Excel 表格、在浏览器中完成复杂的资料检索或跨应用协同。这种对解决问题能力的追求，推动了基础模型从 Chat（对话者）到 Agent（行动者）的转变。
在这一进程中，Computer Use Agent（CUA，计算机操作智能体）是一个关键里程碑。CUA 打破了 API 的限制，构建了一种原生的交互方式——像人类一样，通过高分辨率视觉感知屏幕，并利用鼠标键盘完成跨应用的长链路任务，有可能成为下一代操作系统的核心交互入口。
然而，要训练出一个通用的 CUA，我们面临着严峻的数据扩展（Data Scaling）瓶颈。当前主流的训练范式依赖于对专家轨迹的模仿学习，但在将其推向工业级可用时，这种方式面临着三大挑战：
面对上述挑战，我们正式推出了 EvoCUA，一种原生的计算机操作智能体模型。EvoCUA 致力于构建一种进化范式，让模型在大规模沙盒环境中，像生物进化一样，通过不断的试错，反思和修正，积累海量成功和失败经验，进而不断提升自身能力。
通过这一范式，EvoCUA-32B 在 Computer Use 权威的在线评测基准 OSWorld 上取得了 56.7% 的成功率，刷新了开源模型的 SOTA 记录，以更少的参数量和推理步数超过此前的开源 SOTA OpenCUA-72B（45.0%），以及领先的闭源模型 UI-TARS-2（53.1%）。此外，实验证实该方案的通用性，在不同基座（如 Qwen3-VL、OpenCUA）及多个尺寸（8B 至 72B）的模型上均能显著提升 Computer Use 能力。
EvoCUA 的核心在于构建'交互 - 反馈 - 修正'的闭环。我们针对数据、环境、算法三个维度构建了自维持的进化架构：可验证数据合成引擎负责生产高质量任务，高并发交互基建支持海量轨迹合成，基于经验的迭代算法提供模型进化的关键路径。
EvoCUA 数据层的核心任务是构建一个自动化流水线，能够合成覆盖各个垂直领域的高质量任务指令。我们要求合成数据要满足两个指标：
在实现这一目标时，我们发现业界通用的'大模型生成 + Reward Model (RM) 筛选'范式在 Computer Use 场景下存在本质缺陷：
为了解决数据可信度问题，我们提出了'生成即验证'范式，在生成自然语言指令的同时，同步生成可执行的验证代码，并以沙盒中的实际运行结果作为判断数据是否有效的唯一标准。
整体数据合成框架如下：
在构建任务空间时，我们并未盲目堆砌数据，而是基于对 GUI 操作本质的两个核心洞见：
基于这两点思考，我们采用分层构建策略来初始化任务环境。
我们构建了基于 ReAct 的 Agentic 数据合成工作流。当给定一个场景元组（角色、能力、资源）后，作为任务架构师的基础 VLM 会启动生成：
不仅如此，我们还引入了沙盒执行反馈机制。生成的验证代码会立即在真实沙盒中运行。如果代码报错（如 API 错误、语法错误），错误日志会被回传给任务架构师进行自我修正。这个过程会迭代多轮，直到验证器本身能够成功运行并通过质量检查。
为了确保入库数据的纯净度，我们在数据落盘前设置了严格的过滤机制。
通过这套数据合成框架，我们成功将可验证的训练数据规模扩展到了数万量级，突破了人工标注的瓶颈。
EvoCUA 的进化范式要求 Agent 进行大规模的探索来合成经验轨迹。我们面临的挑战是工业级的：如何在一个集群中稳定调度 100,000+ 个每日活跃沙盒，处理百万级的分钟交互请求，同时保证每个环境的严格隔离与毫秒级响应。为此，我们构建了一套统一的环境沙盒平台，在调度吞吐与环境保真度两个维度做了大量优化。
为了消除大规模强化学习中的 I/O 瓶颈，我们将传统的单体模拟器重构为基于微服务的异步架构。
异步 I/O 网关：面对百万级交互请求，传统的阻塞式架构已无法支撑。我们采用了基于 Reactor 模式的异步非阻塞 I/O 设计网关架构，实现了数百万 QPM（Queries Per Minute）的路由吞吐能力，并且将控制面（生命周期管理）与数据面（环境交互流）彻底解耦，确保长周期的环境执行（如打开一个重型 App）不会阻塞关键的路由逻辑，极大地提升了系统的吞吐上限。
沙盒批量急速启停：强化学习的采样阶段具有极强的'脉冲'特性（短时间内需求激增）。我们的分布式调度器通过分片与资源池化技术，实现了极速冷启动能力。通过该优化，系统能够在 1 分钟内拉起 10,000+ 个沙盒实例。这种'即需即供'的弹性能力，确保了环境供给严格匹配训练需求，最小化了策略更新与经验采集之间的延时，保证了训练的高效流转。
在解决了'量'的问题后，更关键的是'质'。Computer Use 任务对环境的确定性要求极高，微小的渲染差异或键位冲突都会导致模型训练非最优。
Shift + <状态丢失）。我们深入内核层修改了 xkb的符号定义，确保 Agent 的符号意图与实际输入严格一致。fc-cache，消除了文档在仿真环境与真实环境下的视觉渲染差异，防止模型因环境噪音而产生错误的视觉关联。有了可验证的数据和高吞吐的环境，我们的核心目标是如何让模型像人类一样学习：要在大量的自我实践中巩固成功经验，并从失败中吸取教训。然而，单纯依赖静态数据的监督微调存在两个本质缺陷：
EvoCUA 提出了一种渐进式的进化范式，将训练过程解耦为三个阶段：冷启动（注入先验思维模式）、拒绝采样微调（动态算力分配，巩固成功经验）、强化学习（聚焦关键出错点，从失败经验中学习）。
在让 Agent 进入大规模环境进行自由探索之前，给模型注入一些思维 pattern，能够提高模型的有效探索能力。为了摸清当前 Agent 能力的边界，我们深入分析了 Qwen3-VL-Thinking、OpenCUA-72B 等主流模型推理轨迹。我们发现，各家模型均有一定缺陷。例如：OpenCUA-72B 很容易提前误判成功，而 Qwen3-VL 模型在动作空间上存在一些明显缺失（如不支持 Shift+Click）。基于此，EvoCUA 在冷启动阶段的核心任务，是定义一套完备的动作空间与严谨的思维范式。
Shift + Click。如果是原子的 press 操作，无法表达这种持续按压的状态。为此，我们将按键拆分为 key_down 和 key_up。Terminate 信号前，模型必须执行显式的检查步骤。例如在发完邮件后，进入'已发送'文件夹确认，而非盲目自信。Terminate 动作必须强依赖于前序的 CoT 论证。如果思维链中没有明确的完成证据，模型不得输出结束信号，以此抑制'伪成功'。经过冷启动训练后，模型展现出了明显的行为范式转变。它不仅掌握了终端和复杂快捷键的操作，更重要的是学会了'慢思考'——在关键节点进行校验和反思。这为后续的大规模进化提供了坚实的原子能力基础。
冷启动赋予了模型基础的原子能力，接下来的挑战是如何在万级 Query 上进行 Scaling。我们面临的核心权衡是：如何在有限的算力预算下，最大化高质量经验的产出效率与信噪比？如果对所有任务平均用力，会导致简单任务算力浪费，而困难任务探索不足。为此，EvoCUA 设计了一套'阶梯式动态算力分配 + 步级别去噪'的拒绝采样微调策略。
阶梯式动态算力分配：为了最大化探索的 ROI，我们将 Query 池划分为不同难度层级，并实施阶梯式的 Rollout 策略。我们将采样次数 K 划分为多个档位 {3, 8, 16, 32, 64}，并为每个档位设定了成功率阈值（如 100%, 75%, 50%…）:
步级去噪：模型生成的原始轨迹即使成功了，也往往包含大量噪声（如无效的鼠标滑动）。直接学习这些数据会污染模型。我们实施了精细化的清洗策略：
Terminate=Failure 及对应的推理），将中间所有的试错步骤全部剔除。通过 RFT，我们将大规模的合成经验内化为模型参数，显著提升了模型在常规路径的执行成功率。
RFT 夯实了模型在常规路径上的执行成功率，但面对长链路任务中的环境扰动（如弹窗、网络延迟、布局微变），模型依然脆弱。相比于成功轨迹中模型已有的知识，失败轨迹中蕴含着广阔的、非线性的树状结构信息，模型往往会在一些关键步骤出错，正是模型能力边界的直接体现。
传统的 RL 算法通常以整条轨迹为粒度，存在严重的信用分配难题——几十步的操作中可能只有一步是错的，全盘否定会导致有效经验被浪费。
为了解决这一问题，我们提出了一种面向 Computer Use 的高效 DPO 算法，将优化粒度从'轨迹级'下钻到'关键分岔点'，重点解决模型在出错边缘的能力边界感知问题。
关键分岔点挖掘：在长达数十步甚至上百步的 GUI 操作中，任务失败往往具有滞后性。模型可能在第 5 步做出了一个微小的错误决策（如选错了筛选条件），但直到第 30 步才因为找不到目标文件而报错。为了精准定位错误，EvoCUA 提出了一种基于参考导向的归因机制——关键分岔点挖掘。我们利用同一 Query 下的'成功轨迹'与'失败轨迹'进行对齐分析。系统会自动定位到状态一致但动作开始偏离的那一帧，记为关键分岔点。
双范式偏好对构建：一旦通过因果诊断锁定了关键错误，我们并未止步于简单的行为克隆，而是针对出错瞬间'和'出错之后'两个不同的时空切片，构造了两种截然不同的 DPO 偏好范式，从而在一次训练中同时兼顾了准确性与鲁棒性。
通过这两个范式的结合，模型不仅教会了 Agent 如何做对，更教会了它在做错或环境突变时如何反思修正。随着能力的不断提升，上述 RFT 和 DPO 可以进行多轮迭代训练。
除了 DPO，我们在实践中还探索了 online RL，通过主动的环境交互，模型表现出了持续的奖励增长趋势，会在下一个版本的模型中更新。
总而言之，我们通过'双重机制'将海量的合成经验高效内化为模型参数：一方面利用 RFT 来夯实基础的执行范式，确保模型在标准任务上的发挥稳定；另一方面利用 RL 在复杂的长尾场景中主动纠错，显著提升模型在能力边界上的鲁棒性与泛化力。
为了验证 EvoCUA 范式的有效性，我们在权威在线榜单 OSWorld 上进行评测。实验的核心结论如下：EvoCUA-32B 以 56.7% 的成功率刷新了开源模型 SOTA，并在同等推理预算 (max step=50) 下逼近了闭源模型 Claude-4.5-Sonnet (58.1%) 的水平；同时验证了该进化范式在不同规模模型上的普适性。
为了探究 EvoCUA 性能提升的来源，我们进行了逐层拆解的消融实验。
我们进一步验证了 EvoCUA 的 Scaling Law。
我们随机抽样一条合成指令任务，对训练后的模型采样轨迹进行可视化。以一个电子表格任务为例：'找出每行的最大值并填入 G 列'，以下是 EvoCUA-32B 在四个关键时刻的思考与执行过程：
Step 1：目标澄清，智能体显式复述并拆解了用户指令。
Step2：智能体使用 excel 公式原子能力 Max 操作。
Step 9：有状态鼠标交互，专业软件操作常涉及'按住并点击'等组合动作。智能体执行'Shift+ 点击'操作以选中 G3 到 G11 的数据范围。
Step 15：审慎终止判断，智能体没有盲目停止，而是先生成视觉证据：'我看到 Max 列已计算完毕…'。只有在视觉核验结果符合初始指令后，它才发出 terminate 信号，确保任务完成。
EvoCUA，一个基于经验进化范式的原生 Computer Use Agent。通过可验证的合成引擎、可扩展的交互基建和可进化的经验学习算法，我们探索出一条提升 Computer Use 能力的通用方法。在 OSWorld 基准测试中，EvoCUA 以 56.7% 的成功率刷新了开源模型的 SOTA，证明了这条路径的有效性。在超过 100 万卡时的上千组实验中，我们总结了四条关键的洞察，希望能为社区提供参考：
尽管取得了阶段性突破，我们必须承认，当前开源模型与顶尖闭源系统（及人类水平）之间仍存在显著差距。这一差距揭示了单纯依赖离线合成轨迹的性能天花板。我们认为，打破这一瓶颈的关键在于在线强化学习。我们初步的实验信号显示，通过主动的环境交互，模型表现出了持续的奖励增长趋势。未来的工作将聚焦于系统性地拓展这一在线进化边界，最终实现完全自主的计算机操作能力。
目前，EvoCUA 现已全面开源，欢迎访问项目主页获取更多信息：
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online