发生了什么
10 月 15 日，阿里 Token Hub 下属 MAI-UI 团队在 arXiv 提交《OpenGCUA: Toward a Fully Open Stack for Generalist Computer Use》，同日在 GitHub 以 Apache-2.0 开源代码与提示词。首个版本并不发布新训练的模型，而是把「通用计算机使用智能体」的整套方法公开：如何观察、如何行动、如何组织任务状态。
技术主张
传统计算机使用智能体基本是「截图—点击」循环。OpenGCUA 让模型在四类界面之间自行选择：视觉截图、无障碍树、应用接口与命令行。更关键的是「harness 到模型的决策转移」：何时观察、任务是否完成这类原本写死在外部框架里的判断，被交还给模型。作者称，在同等 GUI 与 shell 权限下，把 GUI 操作写成可执行代码（含循环、分支与中间校验），比 GUI 加命令行的基线平均部分分高 6.1、步骤少 14.8%。
- OSWorld-v2 离线子集（82 个任务，剔除依赖联网的条目）：八个模型平均部分分提升 19.6，步骤数下降 53.0%。
- 参与评测的模型含 GPT-6 Astra、Claude Opus 5、Gemini 3.8 Flash、Qwen3.8-Max/Flash、Kimi K3、DeepSeek-V4.1-Flash、GLM-5.3-Flash。
- 真实 macOS 设备的四项任务中，Qwen3.8-Max 的推理 token 用量是 GPT-6 Astra 的 19.4 倍，且完成任务数更少。
- 仓库同时放出八套模型的完整评测轨迹，可用于复现与二次训练。
为什么重要
这组数字的含义是：在模型不变的前提下，仅改变执行框架，计算机使用任务的完成度就能明显变化。对企业选型，这提示「买哪个模型」之外还有「用哪套脚手架」这个变量，而且这个变量是开源的、可审计的。对自建 RPA 或内部自动化平台的团队，代码执行与 GUI 混合的路线，比纯点击方案更容易处理结构化数据与批量操作。
不确定之处
上述数字全部来自作者自评：既有自建 harness，也有自选运行轮次；19.6 是平均部分分而非整任务成功率；离线子集剔除了联网任务，真实网络环境的表现仍未知。真机对比只覆盖四个任务，样本量不足以支撑模型优劣排序。论文未经同行评审，真实设备 harness 与跨设备 SDK 均标注为初步版本。同一团队的 MAI-Gym 另称 9B 模型在 MobileWorld 达 78.4%、OSWorld-Verified 达 76.2%，同样属自报数据。