Surfer 2: La Nueva Generación de Agentes de Uso Informático Multiplataforma

Surfer 2: The Next Generation of Cross-Platform Computer Use Agents

October 22, 2025

Autores: Mathieu Andreux, Märt Bakler, Yanael Barbier, Hamza Benchekroun, Emilien Biré, Antoine Bonnet, Riaz Bordie, Nathan Bout, Matthias Brunel, Aleix Cambray, Pierre-Louis Cedoz, Antoine Chassang, Gautier Cloix, Ethan Connelly, Alexandra Constantinou, Ramzi De Coster, Hubert de la Jonquiere, Aurélien Delfosse, Maxime Delpit, Alexis Deprez, Augustin Derupti, Mathieu Diaz, Shannon D'Souza, Julie Dujardin, Abai Edmund, Michael Eickenberg, Armand Fatalot, Wissem Felissi, Isaac Herring, Xavier Koegler, Erwan Le Jumeau de Kergaradec, Aurélien Lac, Maxime Langevin, Corentin Lauverjat, Antonio Loison, Avshalom Manevich, Axel Moyal, Axel Nguyen Kerbel, Marinela Parovic, Julien Revelle, Guillaume Richard, Mats Richter, Ronan Riochet, María Santos, Romain Savidan, Laurent Sifre, Maxime Theillard, Marc Thibault, Ivan Valentini, Tony Wu, Laura Yie, Kai Yuan, Jevgenij Zubovskij

cs.AI

Resumen

La construcción de agentes que generalicen entre entornos web, de escritorio y móviles sigue siendo un desafío abierto, ya que los sistemas anteriores dependen de interfaces específicas del entorno que limitan el despliegue multiplataforma. Presentamos Surfer 2, una arquitectura unificada que opera únicamente a partir de observaciones visuales y logra un rendimiento de vanguardia en los tres entornos. Surfer 2 integra una gestión jerárquica del contexto, una planificación y ejecución desacopladas, y una auto-verificación con recuperación adaptativa, lo que permite una operación confiable en horizontes de tareas largos. Nuestro sistema alcanza una precisión del 97.1% en WebVoyager, 69.6% en WebArena, 60.1% en OSWorld y 87.1% en AndroidWorld, superando a todos los sistemas anteriores sin una ajuste fino específico por tarea. Con múltiples intentos, Surfer 2 supera el rendimiento humano en todos los puntos de referencia. Estos resultados demuestran que la orquestación sistemática amplifica las capacidades de los modelos fundacionales y permite el control informático de propósito general únicamente mediante la interacción visual, al mismo tiempo que plantea la necesidad de un modelo de lenguaje visual de próxima generación para lograr una relación costo-eficiencia Pareto-óptima.

English

Building agents that generalize across web, desktop, and mobile environments remains an open challenge, as prior systems rely on environment-specific interfaces that limit cross-platform deployment. We introduce Surfer 2, a unified architecture operating purely from visual observations that achieves state-of-the-art performance across all three environments. Surfer 2 integrates hierarchical context management, decoupled planning and execution, and self-verification with adaptive recovery, enabling reliable operation over long task horizons. Our system achieves 97.1% accuracy on WebVoyager, 69.6% on WebArena, 60.1% on OSWorld, and 87.1% on AndroidWorld, outperforming all prior systems without task-specific fine-tuning. With multiple attempts, Surfer 2 exceeds human performance on all benchmarks. These results demonstrate that systematic orchestration amplifies foundation model capabilities and enables general-purpose computer control through visual interaction alone, while calling for a next-generation vision language model to achieve Pareto-optimal cost-efficiency.