计算机使用智能体(CUA)仍被交互数据卡住:多样性、可控性、可靠性都不够。常规优化流水线缺少迭代反馈;现有递归改进又多依赖模型自生成经验,能力扩展有限、收益递减。CUA-Master用嵌套双循环应对:外层把开放世界语料和模型弱点送进下一轮数据与优化,内层从教学视频播种真实工作流,再自催化合成可验证任务。材料中的CUA-Master-27B在GUI-only与GUI-CLI混合基准上报了四项分数:OSWorld Verified 80.2、OSWorld 2.0 36.9、WeaveBench 43.9、Agents’ Last Exam 25.0。摘要末句不完整,不补未出现结论。

外层飞轮按弱点选下一轮数据

系统层是世界–数据–模型飞轮:持续纳入开放世界语料,并用模型当前弱点指导后续数据构造和优化。它针对「训完即停」,也针对只在自生成经验上打转。弱点被写成下一轮数据的选择信号,而不是默认同一分布再采样就会变强。材料未给轮次、数据量或算力,不能写成已验证的规模定律,只是组织迭代的方法。

内层飞轮把视频变成可验证任务

数据层另有内循环。开放世界播种从教学视频挖掘真实工作流作为种子任务,并用视觉–语义双路径重建轨迹。自催化传播把种子变成可复用原语,再可控合成多样、复杂、可验证的任务。采集上,作者在多种真实环境中加入反馈引导的快照–回滚重试,目标是提高效率与可靠性。双路径对齐方式、原语粒度、回滚次数和环境清单,摘要均未提供。能确定的是:真实工作流被做成可复用、可验证的合成原料,而非以自生成经验为主路径。

分数只能当作者快照

作者称该27B模型在GUI-only与GUI-CLI混合基准上具有竞争力。四个数字全部来自摘要,未给出对比模型、基线分差、消融或显著性,「竞争力」只能视为自评。OSWorld Verified 80.2与OSWorld 2.0 36.9差距很大,说明同系列基准的难度或协议并不等价;WeaveBench 43.9与Agents’ Last Exam 25.0更低,更像在压复杂或长程任务。摘要末句在substantially improves the处中断,不能补写成大幅提升了某项能力。

我的判断

价值主要在问题拆分。它把CUA扩规模写成两件可执行的事:用教学视频补真实工作流,用原语做可控、可验证合成,再用弱点驱动外层迭代。对做桌面或浏览器智能体数据工厂的人,这个结构比「再多采轨迹」清楚。边界同样清楚:没有成本、失败模式、环境覆盖,也没有强基线对照表;27B和四项分数只是结果快照。摘要截断且无消融,不宜写成已打通数据瓶颈。宜把它看成强调开放世界种子、可验证合成和快照回滚的工程路线,能否避开自生成经验的收益递减,要等全文和复现。