Open General Computer Use Agent परियोजना सामान्य कंप्यूटर उपयोग के लिए पूरी तरह से खुले स्टैक की ओर अग्रसर है।

मेटा विवरण: Alibaba की MAI-UI टीम ने ओएसवर्ल्ड-वी2 परिणामों और एक वास्तविक डिवाइस लैब के साथ सामान्य कंप्यूटर उपयोग एजेंटों के लिए ओपनजीसीयूए, एक खुली पूर्ण स्टैक परियोजना जारी की।

टैगः OpenGCUA, कंप्यूटर-उपयोग एजेंटों, OSWorld-v2, Alibaba MAI-UI, क्रॉस डिवाइस SDK

विशेष रुप से प्रदर्शित छवि: एक laptop , ब्राउज़र विंडो और फोन का अमूर्त, मैत्रीपूर्ण चित्रण जो सरल नियंत्रण पथ द्वारा जुड़ा हुआ है, जिसमें कोई लोग, लोगो या पाठ नहीं हैं।

Alibaba पर MAI-UI टीम ने ओपनजीसीयूए का परिचय दिया है, जो समुदाय के साथ निर्मित सामान्य कंप्यूटर उपयोग एजेंटों के लिए पूर्ण स्टैक को विकसित करने और खोलने की एक चल रही परियोजना है। पहली रिलीज़ में तकनीकी रिपोर्ट, एजेंट डिज़ाइन और इसकी हार्नेस, 8 फ्रंटियर मॉडल से मूल्यांकन प्रक्षेपवक्र, macOS के लिए वास्तविक डिवाइस हार्नेस , क्रॉस -Device SDK पूर्वावलोकन और एक इंटरैक्टिव लैब शामिल हैं जिसे ऑनलाइन आज़माया जा सकता है।

परियोजना का केंद्रीय विचार यह है कि एक कंप्यूटर-उपयोग एजेंट को screenshot लेने और क्लिक करने से अधिक करना चाहिए। ओपनजीसीयूए डिजाइन में, एजेंट अपने आप तय करता है कि किसी डिवाइस का निरीक्षण कैसे किया जाए, कैसे कार्य किया जाए और इसका काम कैसे व्यवस्थित किया जाए। यह एक्सेसिबिलिटी ट्री पढ़ सकता है, APP तत्वों का संरचित विवरण, कॉल APIs , शेल कमांड चला सकते हैं, और केवल जब आवश्यक हो तो ग्राफिकल इंटरफेस का उपयोग कर सकते हैं। रिलीज इस दृष्टिकोण के विशिष्ट उदाहरण के रूप में जीपीटी -6 एस्ट्रा की कंप्यूटर उपयोग प्रणाली प्रस्तुत करती है।

एक डिजाइन जो मॉडल को कार्यप्रवाह नियंत्रित करने देता है

रिलीज़ में दो लिंक किए गए परिवर्तनों का वर्णन किया गया है। सबसे पहले, जीयूआई क्रियाएं कोड के रूप में लिखी जाती हैं और एक्सेसिबिलिटी, API और शेल ऑपरेशंस के साथ एक एकल प्रोग्राम में संयुक्त होती हैं। लूप्स, शाखाएँ और मध्यवर्ती परिणाम तब आकार दे सकते हैं कि आगे क्या होता है, बजाय प्रत्येक कार्रवाई को अलग क्लिक या कीस्ट्रोक के तौर पर छोड़ने के।

दूसरा, टीम वर्कफ़्लो निर्णयों को फिक्स्ड हार्नेस नियमों से मॉडल की ओर ले जाती है। इस फ्रेमिंग में, हार्नेस तंत्र प्रदान करता है, जबकि मॉडल यह तय करता है कि इसका उपयोग कब किया जाए। रिलीज में दिया गया एक ठोस उदाहरण यह है कि एजेंट पूर्वनिर्धारित अवलोकन चक्र का पालन करने के लिए मजबूर होने के बजाय केवल screenshot का अनुरोध कर सकता है जब उसे इसकी आवश्यकता होती है।

OSWorld-v2 पर आठ मॉडल लाभ

पहली रिलीज़ रिपोर्ट में 8 फ्रंटियर मॉडल के ओएसवर्ल्ड-वी 2 परिणाम हैं, जिनमें जीपीटी -6 एस्ट्रा, Claude Opus 5 और Gemini 3.8 फ्लैश शामिल हैं। इन मॉडलों में औसत स्कोर 19.6 अंक बढ़ता है, जबकि चरणों की संख्या 53% घट जाती है। रिलीज का कहना है कि सबसे मजबूत और कमजोर मॉडल के बीच अंतर आधे से अधिक हो जाता है।

टीम का यह भी कहना है कि ओपनजीसीयूए हार्नेस कार्यान्वयन, संकेत और सभी मूल्यांकन प्रक्षेपवक्र खुले स्रोत हैं। पाठकों के लिए, इसका मतलब है कि परिणाम केवल एक हेडलाइन स्कोर के रूप में प्रस्तुत नहीं किया जाता हैः इनपुट और एजेंट ने जिस पथ को लिया था उसकी जांच की जा सकती है, उसे फिर से चलाया जा सकता है या अन्य सेटअपों के साथ तुलना कर सकते हैं।

वास्तविक उपकरण और कई स्क्रीन पर एक कार्यक्रम

बेंचमार्क वातावरण से परे, रिलीज़ में एक macOS मेनू-बार APP शामिल है जिसका उद्देश्य एजेंट को उपयोगकर्ता के अपने कंप्यूटर पर लाना है। टीम का कहना है कि इसने कई समस्याओं को हल किया और प्रलेखित किया जो केवल वास्तविक उपकरणों पर दिखाई देती हैं।

एक अलग क्रॉस-Device SDK पूर्वावलोकन कंप्यूटर, ब्राउज़र और फोन को एक programming इंटरफेस के माध्यम से जोड़ता है, जिससे एक एकल प्रोग्राम एक कार्य के भीतर कई उपकरणों का समन्वय कर सकता है। परियोजना द्वारा वर्णित वास्तविक-डिवाइस परीक्षणों में, Qwen3.8-मैक्स GPT-6 एस्ट्रा की तुलना में 19.4 गुना अधिक तर्क tokens का उपयोग करता है। रिलीज यह भी कहती है कि असली उपकरणों पर, मॉडल के बीच अंतर और भी बड़ा है।

सात प्रश्न, सात प्रयोगशालाएँ

रिलीज़ का निरीक्षण करने के लिए ऑनलाइन इंटरएक्टिव लैब सबसे प्रत्यक्ष तरीका है। यह रिपोर्ट से सात प्रश्नों के आसपास आयोजित किया गया है, प्रत्येक के लिए एक प्रयोगशाला के साथ। आगंतुक 3 डी में एक वास्तविक मैक को अलग कर सकते हैं, कोड निष्पादन परिवर्तन देखने के लिए चार तरीकों की तुलना करके पक्ष-पक्ष देख सकते हैं. वास्तविक उपकरणों के लिए अद्वितीय चुनौतियों को तोड़ दें, एक फोन, ब्राउज़र और मैक पर एक प्रोग्राम चलाएं, और पांच मॉडलों से वास्तविक डिवाइस प्रक्षेपवक्र को फिर से खेलें। विज्ञप्ति में कहा गया है कि लैब भी फोन पर काम करती है, जिसमें अतिरिक्त लैब्स वर्णित हैं।

निर्माणकर्ताओं के लिए इसका क्या अर्थ है और इसके बाद क्या होगा?

कंप्यूटर-उपयोग एजेंट बनाने वाले डेवलपर्स के लिए, ओपनजीसीयूए एक पुनः प्रयोज्य स्टैक की तुलना में एकल मॉडल से कम हैः एक डिज़ाइन पैटर्न, एक हार्नेस, मूल्यांकन ट्रेस और वास्तविक डिवाइस टूलिंग। ओएसवर्ल्ड-वी 2 नंबर बताते हैं कि हार्नेस परिवर्तन प्रदर्शन और चरण गणना को काफी प्रभावित कर सकते हैं। क्रॉस -Device SDK पूर्वावलोकन कई स्क्रीनों पर काम करने की ओर इशारा करता है, जबकि लैब पूरी रिपोर्ट को पहले पढ़ने के बिना ट्रेडऑफ को दृश्यमान बनाता है।

परियोजना एक चल रही रिलीज़ बनी हुई है, न कि तैयार उत्पाद। बताए गए अगले कदम एक मॉडल हैं जो कंप्यूटर उपयोग और ब्राउज़र उपयोग को एकीकृत करता है, निष्पादन दक्षता में व्यवस्थित सुधार, और वास्तविक-डिवाइस मूल्यांकन वातावरण और बेंचमार्क। टीम समुदाय को उनके साथ बनाने के लिए आमंत्रित करती है।

अधिक जानकारी प्राप्त करेंः इंटरैक्टिव लैब tongyi-mai.github.io/OpenGCUA पर है, तकनीकी रिपोर्ट arxiv.org/abs/2610.22200 पर है और कोड github.com/Tongyi-MAI/OpenGCUA पर है।