Qwen-CUA：原生计算机操作智能体，覆盖几乎所有软件

Qwen团队发布Qwen-CUA计算机使用智能体，基于397B-A17B的MoE模型，仅通过截图观察和键盘鼠标操作，无需DOM树等辅助信息。在OSWorld-Verified上得分86.2，OSWorld 2.0上得分18.5/48.4，优于Qwen3.7，并与领先专有系统相当。扩展至万亿参数得到Qwen-CUA-Max，得分提升至87.6和21.2/53.3，同时将RedTeamCUA攻击成功率从36.6降至16.4。

这是首个基于MoE架构的原生计算机操作智能体，仅依赖截图和鼠标键盘事件，摆脱了DOM树等结构化依赖，同时通过超大规模云环境和可验证任务训练，在多个基准上达到或接近专有系统水平，标志着开源模型在通用计算机操作能力上的重要进展。

通过截图输入和鼠标键盘输出，模型需长期跟踪屏幕状态并规划动作。训练采用近10万vCPU的云环境，构建约4万可验证任务，并使用完整轨迹优化和轨迹切片，配合迭代训练刷新数据并校准强化学习任务。推理时维护最多20张活跃截图，并将旧视觉信息折叠为固定大小块，以保留近期证据并复用提示前缀。

对于产品开发者，Qwen-CUA提供了一种无需API或DOM依赖的通用操作能力，可直接部署于浏览器或Bash环境，降低集成成本。其性能接近专有系统，可替代部分RPA工具，但也需要大量计算资源（近10万vCPU训练），部署时需考虑推理成本。安全改进（攻击成功率降低）增强了可接受度。

• 将Qwen-CUA集成到自动化测试工具中，用于网页界面回归测试，减少对DOM选择器的依赖。
• 构建基于截图的桌面应用RPA助手，实现跨平台自动化操作，无需厂商API支持。
• 利用其安全性能优势，开发企业级操作审计系统，监控并限制智能体对敏感系统的访问。
• 针对个人场景提供“屏幕助手”服务，通过自然语言指令操作电脑，替代传统宏或脚本工具。

• Qwen-CUA是否开源模型权重或提供API接口？
• 在长会话中，最大连续操作步数和上下文窗口限制是多少？
• OSWorld-Verified得分86.2的具体评测环境与硬件要求？
• RedTeamCUA攻击测试的具体内容和评估方法？