Die unvernünftige Effektivität von Skalierungsagenten für die Computernutzung
The Unreasonable Effectiveness of Scaling Agents for Computer Use
October 2, 2025
papers.authors: Gonzalo Gonzalez-Pumariega, Vincent Tu, Chih-Lun Lee, Jiachen Yang, Ang Li, Xin Eric Wang
cs.AI
papers.abstract
Computer-Use-Agenten (CUAs) versprechen, alltägliche digitale Aufgaben zu automatisieren, doch ihre Unzuverlässigkeit und hohe Varianz behindern ihre Anwendung bei langfristigen, komplexen Aufgaben. Wir stellen Behavior Best-of-N (bBoN) vor, eine Methode, die über Agenten skaliert, indem sie mehrere Rollouts generiert und unter ihnen mithilfe von Verhaltensnarrativen auswählt, die die Rollouts der Agenten beschreiben. Dies ermöglicht sowohl breite Exploration als auch prinzipielle Trajektorienauswahl und verbessert die Robustheit und Erfolgsraten erheblich. Auf OSWorld etabliert unsere bBoN-Skalierungsmethode einen neuen State of the Art (SoTA) bei 69,9 %, übertrifft damit deutlich frühere Methoden und nähert sich der menschlichen Leistung von 72 %, wobei umfassende Ablationen die zentralen Designentscheidungen validieren. Wir demonstrieren weiterhin starke Generalisierungsergebnisse auf verschiedenen Betriebssystemen in WindowsAgentArena und AndroidWorld. Entscheidend ist, dass unsere Ergebnisse die unvernünftige Effektivität der Skalierung von CUAs hervorheben, wenn sie richtig durchgeführt wird: Effektive Skalierung erfordert strukturiertes Verständnis und Auswahl von Trajektorien, und bBoN bietet einen praktischen Rahmen, um dies zu erreichen.
English
Computer-use agents (CUAs) hold promise for automating everyday digital
tasks, but their unreliability and high variance hinder their application to
long-horizon, complex tasks. We introduce Behavior Best-of-N (bBoN), a method
that scales over agents by generating multiple rollouts and selecting among
them using behavior narratives that describe the agents' rollouts. It enables
both wide exploration and principled trajectory selection, substantially
improving robustness and success rates. On OSWorld, our bBoN scaling method
establishes a new state of the art (SoTA) at 69.9%, significantly outperforming
prior methods and approaching human-level performance at 72%, with
comprehensive ablations validating key design choices. We further demonstrate
strong generalization results to different operating systems on
WindowsAgentArena and AndroidWorld. Crucially, our results highlight the
unreasonable effectiveness of scaling CUAs, when you do it right: effective
scaling requires structured trajectory understanding and selection, and bBoN
provides a practical framework to achieve this.