阿里通义发布开放电脑操作智能体栈 OpenGCUA：让模型写代码操作电脑，8 个前沿模型在 OSWorld-v2 上全部涨分（平均 45.3→64.9，步数少 53%），并公开评测轨迹

这件事意味着什么

【要点】

阿里通义 MAI-UI 团队 10 月 15 日发布 OpenGCUA（Open Generalist CUA）首个版本：一套开放的「通用电脑操作智能体」技术栈。核心主张是，电脑操作不该只靠截图加点鼠标，模型应该自己决定看什么（截图、无障碍树、命令输出）、怎么做（点击、调接口、跑 shell，或者直接写一段带循环和判断的 Python 程序把这些串起来），以及如何记录任务进度。

他们用同一套框架测了 8 个前沿模型（GPT-6 Astra、Claude Opus 5、Gemini 3.8 Flash、Qwen3.8-Max/Flash、Kimi K3、DeepSeek-V4.1-Flash、GLM-5.3-Flash）。在 OSWorld-v2 离线子集（82 题）上，相比只能操作界面的批量动作基线，平均部分得分从 45.3 升到 64.9（+19.6），每题步数平均少 53%；GPT-6 Astra 从 102 步降到 34 步、得分 75.7 最高，GLM-5.3-Flash 涨幅最大（+35.2）。在 4 个真实 macOS 任务上，Qwen3.8-Max 的推理 token 是 GPT-6 Astra 的 19.4 倍，完成 3/4，GPT-6 Astra 完成 4/4。这一版没有训练新模型，开放的是框架实现与提示词、8 个模型的评测轨迹、初版 macOS 真机框架和跨设备 SDK（Apache 2.0），专用模型留到下一版。

【可核验】

技术报告：https://arxiv.org/abs/2610.22200

GitHub：https://github.com/Tongyi-MAI/OpenGCUA

项目页：https://tongyi-mai.github.io/OpenGCUA/

【我们的判断】

一、这是国内大厂少见地把「GPT-6 Astra 式电脑操作」拆开研究并公开轨迹，最有价值的是 8 个模型在同一框架下的成本与步数对比，方便外界独立核对。

二、结论很直接：同一个模型，换成「写代码操作电脑」的框架就能明显变强，弱模型受益最大，模型之间的差距缩小一半以上。

三、真机部分只有 4 个任务、每模型 1 次运行，作者也说不能当模型排名；国产模型推理 token 偏多的问题是他们下一版模型要解决的。