OpenGCUA: Alibaba открыла стек для computer-use, но модели в коробке нет

Факты проверены 17 октября 2026

15 октября команда MAI-UI из Alibaba Token Hub опубликовала OpenGCUA, первый выпуск того, что они называют полностью открытым стеком для универсальных computer-use агентов. Выложено: харнес, предварительный кросс-устройственный SDK, промпты и траектории оценок восьми фронтирных моделей. Не выложено: обученная модель. В их собственных прогонах на офлайн-наборе OSWorld-v2 полная конфигурация поднимает средний частичный балл на 19.6 пункта и сокращает шаги на задачу на 53.0%. Я прочитал отчёт, репозиторий и файл LICENSE. отчёт на arXiv

Что реально выложено

OpenGCUA это отчёт плюс репозиторий. Выпуск покрывает большую часть того, что окружает модель: оценочный харнес, предварительный харнес для реального Mac пользователя, предварительный кросс-устройственный SDK, привязывающий каждую операцию к конкретному устройству, приложению, окну или вкладке, промпты из прогонов и траектории оценок восьми фронтирных моделей. Чего в выпуске нет, так это обученной модели. Отчёт говорит об этом прямо и ставит модель первым пунктом дорожной карты.

Определение в основе это то, что я бы оставил себе. Универсальный computer-use агент в их формулировке это не GUI-агент плюс доступ к шеллу. Это система, где модель на каждом шаге сама решает, что наблюдать (скриншот, дерево доступности, вывод команды, ответ API или ничего нового), как действовать (клик, операция над элементом, команда шелла, вызов API или программа, их сочетающая) и как организовать работу (план, учёт прогресса, какие наблюдения остаются в контексте). GUI-агенты, CLI-агенты и гибриды вроде их собственного Qwen-UI-Agent это частные случаи, где часть этих решений зафиксирована заранее.

Цифры бенчмарка, спокойно

Заголовочный результат: на офлайн-наборе OSWorld-v2 полная GCUA-конфигурация улучшила все восемь тестированных моделей, включая GPT-6 Astra и Claude Opus 5, подняв средний частичный балл на 19.6 пункта и сократив заявленные шаги на задачу на 53.0% относительно пакетного GUI-only исполнения. Разрыв между сильнейшей и слабейшей моделями сократился больше чем вдвое.

Спокойные оговорки. Это прогоны авторов на харнесе авторов на офлайн-наборе, и независимых воспроизведений на сегодня нет. Офлайн-набор это не онлайн-лидерборд. И харнес, который поднимает все модели, это результат про харнес, а не доказательство того, какая модель лучшая.

Две идеи, которые стоит унести с собой

Исполнение кода как пространство действий. При неизменном доступе к GUI и шеллу возможность писать GUI-операции кодом и смешивать их с программными операциями добавила 6.1 пункта к среднему частичному баллу и сократила шаги на 14.8% относительно GUI+CLI базовой линии. Механизм не магия: промежуточные результаты направляют следующую операцию без лишнего вызова модели, а программировать модели уже умеют. В разборе случаев отчёт выделяет пять повторяющихся паттернов исполнения кода.

Перенос решений из харнеса в модель. Большинство харнесов зашивают правила вроде «скриншот после каждого шага». OpenGCUA передаёт эти решения модели: она запрашивает скриншот, только когда он нужен, сама ведёт учёт состояния задачи и называет назначение каждой программы перед запуском. Одно лишь наблюдение по требованию подняло долю попаданий в промпт-кеш на 10.5 и 14.4 процентных пункта у двух моделей без потери баллов. Меньше скриншотов это дешевле токены.

Разрыв на реальных устройствах это честная часть

Предварительный харнес для реальных устройств работает на настоящем компьютере пользователя, где агент делит машину с её владельцем и действует в фоновых окнах, чего бенчмарки не воспроизводят. При неизменном харнесе на четырёх реальных задачах macOS отобранные прогоны Qwen3.8-Max использовали в 19.4 раза больше заявленных токенов рассуждений, чем GPT-6 Astra, и в 5.7 раза больше выходных токенов, завершая при этом меньше задач. Отчёт объясняет разрыв поведением модели: дорогие рассуждения на простых операциях, трудности с реальными условиями, более слабое исполнение кода.

Четыре задачи это крошечная выборка, и слово «отобранные» здесь несёт нагрузку. Относитесь к соотношению как к сигнальной лампе, а не как к измерению.

Лицензия и состояние репозитория

Код под Apache-2.0, прочитано из файла LICENSE в репозитории, а README документирует быстрый старт исходного харнеса на macOS и локальную демо-студию. Репозиторию несколько дней: 24 звезды и ни одного форка на момент проверки 17 октября. Руководство для контрибьюторов есть. И харнес для реальных устройств, и кросс-устройственный SDK названы предварительными. Репозиторий

Анализ: моё прочтение

Долговечная часть этого выпуска не таблица баллов. Это два переносимых урока: пусть модель пишет программы вместо пакетов кликов, и не навязывайте ей наблюдения, которые она не запрашивала. Любой харнес может перенять оба урока на этой неделе, а цифры по кеш-попаданиям намекают, что второй окупается сам. Формулировка «полностью открытый стек» пока описывает стек без центральной детали, поэтому честная формулировка: открытые харнес и инструменты, модель в пути. Если обученная модель выйдет под той же лицензией, это станет точкой отсчёта для открытых исследований computer-use. Если нет, уроки дизайна всё равно останутся.

Что я не смог подтвердить

Я не запускал харнес и SDK и не проверял выложенные траектории. Цифры OSWorld-v2 это офлайн-набор на собственном харнесе команды. Соотношения токенов на реальных устройствах получены на четырёх задачах с отобранными прогонами. Публичной обученной модели нет, поэтому любое утверждение про OpenGCUA-модель это обещание дорожной карты.

Проверка, которую можно выполнить

Два заголовочных числа, минус 53% шагов и рост кеш-попаданий, это арифметика, которую можно применить к своей нагрузке до того, как им верить. Заготовка ниже берёт среднее число шагов вашего агента на задачу и цены вашего провайдера на кешированный и обычный вход, и показывает, что заявления статьи значили бы для стоимости задачи. Подставьте свои числа.

Иллюстративная арифметика, не код команды

# 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")

Источники и свежесть

• Отчёт на arXiv, 15 октября
• Репозиторий на GitHub, Apache-2.0
• Сайт проекта