OpenGCUA: עליבאבא פותחת את מחסנית השימוש במחשב, אבל המודל לא בקופסה

עובדות נבדקו ב-17 באוקטובר 2026

ב-15 באוקטובר צוות MAI-UI של Alibaba Token Hub פרסם את OpenGCUA, המהדורה הראשונה של מה שהם מכנים מחסנית פתוחה לחלוטין לסוכני שימוש-במחשב גנרליסטיים. מה ששוחרר: ערכת הרצה, SDK ראשוני חוצה-מכשירים, הפרומפטים ומסלולי ההערכה של שמונה מודלי חזית. מה שלא שוחרר: מודל מאומן. בריצות שלהם על סט ה-OSWorld-v2 הלא-מקוון, התצורה המלאה מעלה את ציון החלקיות הממוצע ב-19.6 נקודות ומורידה את הצעדים למשימה ב-53.0%. קראתי את הדוח, את המאגר ואת קובץ ה-LICENSE. הדוח ב-arXiv

מה באמת שוחרר

OpenGCUA הוא דוח ועוד מאגר. המהדורה מכסה את רוב מה שמסביב למודל: ערכת הערכה, ערכה ראשונית ל-Mac אמיתי של המשתמש, SDK ראשוני חוצה-מכשירים שקושר כל פעולה למכשיר, אפליקציה, חלון או לשונית מפורשים, הפרומפטים מהריצות ומסלולי ההערכה של שמונה מודלי חזית. מה שהמהדורה לא כוללת הוא מודל מאומן. הדוח אומר זאת בעצמו וממקם את המודל ראשון במפת הדרכים.

ההגדרה שבבסיס היא החלק שהייתי שומר. סוכן שימוש-במחשב גנרליסטי בניסוח שלהם הוא לא סוכן GUI ועוד גישה לשלל. זו מערכת שבה המודל מחליט בכל צעד מה לצפות (צילום מסך, עץ נגישות, פלט פקודה, תשובת API או שום דבר חדש), איך לפעול (לחיצה, פעולה על אלמנט, פקודת שלל, קריאת API או תוכנית שמשלבת אותם) ואיך לארגן את העבודה (התוכנית, רישום ההתקדמות, אילו תצפיות נשארות בהקשר). סוכני GUI בלבד, סוכני CLI וההיברידים כמו Qwen-UI-Agent של הצוות עצמו הם מקרים פרטיים שקובעים חלק מההחלטות מראש.

מספרי המדד, בקריאה רגועה

התוצאה הראשית: על סט ה-OSWorld-v2 הלא-מקוון, תצורת ה-GCUA המלאה שיפרה את כל שמונה המודלים שנבדקו, כולל GPT-6 Astra ו-Claude Opus 5, והעלתה את ציון החלקיות הממוצע ב-19.6 נקודות והורידה את הצעדים המדווחים למשימה ב-53.0% מול הרצת GUI בלבד בקבוצות. הפער בין המודל החזק לחלש הצטמצם ביותר ממחצית.

סייגים רגועים. אלה ריצות של המחברים על ערכה של המחברים על סט לא-מקוון, ואין שחזור עצמאי נכון להיום. הסט הלא-מקוון הוא לא טבלת הדירוג החיה. וערכה שמרימה כל מודל היא תוצאה על הערכה, לא ראיה מי המודל הטוב ביותר.

שני רעיונות עיצוביים ששווה לגנוב

הרצת קוד כמרחב הפעולות. כשגישת ה-GUI והשלל נשארת קבועה, האפשרות למודל לכתוב פעולות GUI כקוד ולערבב אותן עם פעולות תכנותיות הוסיפה 6.1 נקודות לציון החלקיות הממוצע והורידה את הצעדים ב-14.8% מול קו הבסיס GUI+CLI. המנגנון אינו קסם: תוצאות ביניים מכוונות את הפעולה הבאה בלי קריאה נוספת למודל, והמודלים כבר יודעים לתכנת. דוח המקרה מזהה חמישה דפוסי הרצת-קוד חוזרים.

העברת החלטות מהערכה למודל. רוב הערכות מקודדות כללים כמו צילום מסך אחרי כל צעד. OpenGCUA מעביר את ההחלטות האלה למודל: הוא מבקש צילום רק כשצריך, עוקב אחר מצב המשימה בעצמו ומצהיר על מטרת כל תוכנית לפני ההרצה. תצפית לפי דרישה בלבד העלתה את שיעור הפגיעות במטמון הפרומפט ב-10.5 וב-14.4 נקודות אחוז לשני מודלים, בלי להוריד ציונים. פחות צילומי מסך זה טוקנים זולים יותר.

פער המכשיר האמיתי הוא החלק הישר

הערכה הראשונית למכשירים אמיתיים רצה על המחשב של המשתמש עצמו, שבו הסוכן חולק את המכונה עם הבעלים ופועל בחלונות רקע, אתגרים שמדדים לא לוכדים. כשהערכה קבועה על ארבע משימות macOS אמיתיות, ריצות נבחרות של Qwen3.8-Max השתמשו ב-19.4 פעמים יותר טוקני חשיבה מדווחים מ-GPT-6 Astra וב-5.7 פעמים יותר טוקני פלט, תוך השלמת פחות משימות. הדוח מייחס את הפער להתנהגות המודל: חשיבה יקרה לפעולות פשוטות, קושי להסתגל לתנאי מכשיר אמיתי, הרצת קוד חלשה יותר.

ארבע משימות הן מדגם זעיר, והמילה 'נבחרות' עובדת קשה במשפט הזה. התייחסו ליחס כנורת אזהרה, לא כמדידה.

רישיון ומצב המאגר

הקוד תחת Apache-2.0, נקרא מקובץ ה-LICENSE במאגר, וה-README מתעד התחלה מהירה ב-macOS לערכת המקור וסטודיו הדגמה מקומי. המאגר בן ימים: 24 כוכבים ואפס מזלגות כשבדקתי ב-17 באוקטובר. יש מדריך תרומה. גם ערכת המכשיר האמיתי וגם ה-SDK החוצה-מכשירים מתוארים כראשוניים. המאגר

ניתוח: הקריאה שלי

החלק העמיד של המהדורה הזו הוא לא טבלת הציונים. אלו שני הלקחים הנישאים: תנו למודל לכתוב תוכניות במקום מנות לחיצות, והפסיקו לכפות תצפיות שהוא לא ביקש. כל ערכה יכולה לאמץ את שניהם השבוע, ומספרי פגיעות המטמון מרמזים שהשני משלם על עצמו. ניסוח 'המחסנית הפתוחה לחלוטין' מתאר כרגע מחסנית בלי החלק המרכזי שלה, אז התווית הישרה היא ערכה וכלים פתוחים, מודל בדרך. אם המודל המאומן יצא תחת אותו רישיון, זו תהיה נקודת הייחוס למחקר שימוש-במחשב פתוח. אם לא, לקחי העיצוב עומדים בכל מקרה.

מה לא הצלחתי לאשר

לא הרצתי את הערכה או ה-SDK ולא ביקרתי את המסלולים שפורסמו. מספרי OSWorld-v2 הם הסט הלא-מקוון על הערכה של הצוות. יחסי הטוקנים על מכשירים אמיתיים מגיעים מארבע משימות עם ריצות נבחרות. אין מודל מאומן פומבי, אז כל טענה על OpenGCUA-המודל היא הבטחת מפת דרכים.

בדיקה שאפשר להריץ

שני המספרים הראשיים, 53% פחות צעדים ופגיעות מטמון גבוהות יותר, הם חשבון שאפשר ליישם על עומס העבודה שלכם לפני שמאמינים. הסקיצה למטה לוקחת את ממוצע הצעדים למשימה של הסוכן שלכם ואת מחירי הקלט המאוחסן והרגיל של הספק, ומראה מה טענות הדוח היו אומרות על עלות למשימה. החליפו את המספרים בשלכם.

חשבון להמחשה, לא הקוד של הצוות

# Illustrative arithmetic from the OpenGCUA report's own claims. Not the team's code.
# Claims (offline OSWorld-v2, 8 models): 53.0% fewer steps per task,
# and on-demand observation raising prompt-cache hits by 10.5-14.4 points for two models.
steps_before = 42          # your agent's average steps per task today - edit
input_tokens_per_step = 6000
cache_read_price = 0.10    # $ per 1M cached input tokens - edit
fresh_input_price = 1.00   # $ per 1M uncached input tokens - edit

steps_after = steps_before * (1 - 0.530)
def cost_per_task(steps, hit_rate):
    per_step = input_tokens_per_step * ((1 - hit_rate) * fresh_input_price + hit_rate * cache_read_price) / 1_000_000
    return steps * per_step
print(f"steps per task: {steps_before:.0f} -> {steps_after:.0f}")
for h in (0.50, 0.50 + 0.144):
    print(f"cache hit {h:.1%}: ${cost_per_task(steps_before, h):.3f} -> ${cost_per_task(steps_after, h):.3f} per task")

מקורות ועדכניות

• הדוח ב-arXiv, 15 באוקטובר
• מאגר GitHub, Apache-2.0
• אתר הפרויקט