EvoCUA: Evolution von Computer-Nutzungs-Agenten durch Lernen aus skalierbaren synthetischen Erfahrungen

EvoCUA: Evolving Computer Use Agents via Learning from Scalable Synthetic Experience

January 22, 2026

papers.authors: Taofeng Xue, Chong Peng, Mianqiu Huang, Linsen Guo, Tiancheng Han, Haozhe Wang, Jianing Wang, Xiaocheng Zhang, Xin Yang, Dengchang Zhao, Jinrui Ding, Xiandi Ma, Yuchen Xie, Peng Pei, Xunliang Cai, Xipeng Qiu

cs.AI

papers.abstract

Die Entwicklung nativer Computer-Nutzungs-Agenten (CNA) stellt einen bedeutenden Fortschritt im Bereich multimodaler KI dar. Ihr Potenzial wird jedoch derzeit durch die Grenzen des Skalierens mit statischen Daten begrenzt. Bestehende Paradigmen, die sich primär auf die passive Nachahmung statischer Datensätze stützen, haben Schwierigkeiten, die komplexen kausalen Dynamiken zu erfassen, die langfristigen Computeraufgaben innewohnen. In dieser Arbeit stellen wir EvoCUA vor, ein natives agentenbasiertes Modell für die Computernutzung. Im Gegensatz zur statischen Imitation integriert EvoCUA Datengenerierung und Politikoptimierung in einen sich selbst erhaltenden evolutionären Zyklus. Um Datenknappheit zu mildern, entwickeln wir eine verifizierbare Synthese-Engine, die autonom diverse Aufgaben zusammen mit ausführbaren Validatoren erzeugt. Um groß angelegte Erfahrungssammlung zu ermöglichen, entwerfen wir eine skalierbare Infrastruktur, die Zehntausende asynchroner Sandbox-Ausführungen orchestriert. Aufbauend auf diesen massiven Trajektorien schlagen wir eine iterative, evolutive Lernstrategie vor, um diese Erfahrung effizient zu internalisieren. Dieser Mechanismus reguliert Politik-Updates dynamisch, indem er Fähigkeitsgrenzen identifiziert – erfolgreiche Routinen werden verstärkt, während Fehlschlag-Trajektorien durch Fehleranalyse und Selbstkorrektur in umfangreiche Supervision transformiert werden. Empirische Auswertungen auf dem OSWorld-Benchmark zeigen, dass EvoCUA eine Erfolgsquote von 56,7 % erreicht und damit einen neuen Open-Source-State-of-the-Art etabliert. Bemerkenswerterweise übertrifft EvoCUA das bisher beste Open-Source-Modell, OpenCUA-72B (45,0 %), signifikant und übertrifft führende Modelle mit geschlossenen Gewichten wie UI-TARS-2 (53,1 %). Entscheidend ist, dass unsere Ergebnisse die Generalisierbarkeit dieses Ansatzes unterstreichen: Das evolutive Paradigma, angetrieben durch Lernen aus Erfahrung, erzielt konsistente Leistungssteigerungen über Foundation-Modelle verschiedener Größenordnungen hinweg und etabliert so einen robusten und skalierbaren Weg zur Weiterentwicklung nativer Agentenfähigkeiten.

English

The development of native computer-use agents (CUA) represents a significant leap in multimodal AI. However, their potential is currently bottlenecked by the constraints of static data scaling. Existing paradigms relying primarily on passive imitation of static datasets struggle to capture the intricate causal dynamics inherent in long-horizon computer tasks. In this work, we introduce EvoCUA, a native computer use agentic model. Unlike static imitation, EvoCUA integrates data generation and policy optimization into a self-sustaining evolutionary cycle. To mitigate data scarcity, we develop a verifiable synthesis engine that autonomously generates diverse tasks coupled with executable validators. To enable large-scale experience acquisition, we design a scalable infrastructure orchestrating tens of thousands of asynchronous sandbox rollouts. Building on these massive trajectories, we propose an iterative evolving learning strategy to efficiently internalize this experience. This mechanism dynamically regulates policy updates by identifying capability boundaries -- reinforcing successful routines while transforming failure trajectories into rich supervision through error analysis and self-correction. Empirical evaluations on the OSWorld benchmark demonstrate that EvoCUA achieves a success rate of 56.7%, establishing a new open-source state-of-the-art. Notably, EvoCUA significantly outperforms the previous best open-source model, OpenCUA-72B (45.0%), and surpasses leading closed-weights models such as UI-TARS-2 (53.1%). Crucially, our results underscore the generalizability of this approach: the evolving paradigm driven by learning from experience yields consistent performance gains across foundation models of varying scales, establishing a robust and scalable path for advancing native agent capabilities.