OpenGCUA:GUIとコード実行を組み合わせる公開コンピューター操作基盤 ↗
OpenGCUAは、画面操作とコード実行を組み合わせるコンピューター操作エージェントの公開基盤。モデルが観測方法と操作方法を選び、GUI操作の途中でファイルや実行結果を調べられる。著者らのOSWorld-v2評価では、8モデル平均の部分得点がGUIだけの構成より19.6ポイント高く、報告された操作ステップは53.0%少なかった。実装、プロンプト、実行記録と初期段階の実機用基盤を公開しており、専用の学習済みモデルはまだ含まれない。




