El Amanecer del Agente GUI: Un Estudio de Caso Preliminar con la Computadora Claude 3.5

The Dawn of GUI Agent: A Preliminary Case Study with Claude 3.5 Computer Use

November 15, 2024

Autores: Siyuan Hu, Mingyu Ouyang, Difei Gao, Mike Zheng Shou

cs.AI

Resumen

El modelo recientemente lanzado, Claude 3.5 Computer Use, destaca como el primer modelo de inteligencia artificial de vanguardia que ofrece el uso de computadora en versión beta pública como un agente de interfaz gráfica de usuario (GUI). Siendo una versión beta temprana, su capacidad en entornos complejos del mundo real permanece desconocida. En este estudio de caso para explorar Claude 3.5 Computer Use, curamos y organizamos una colección de tareas cuidadosamente diseñadas que abarcan una variedad de dominios y software. Las observaciones de estos casos demuestran la capacidad sin precedentes de Claude 3.5 Computer Use en acciones de lenguaje a acciones de escritorio de extremo a extremo. Junto con este estudio, proporcionamos un marco de agente listo para usar para implementar modelos de automatización de GUI basados en API con una implementación sencilla. Nuestros estudios de caso tienen como objetivo mostrar una base de capacidades y limitaciones de Claude 3.5 Computer Use con análisis detallados y plantear preguntas sobre planificación, acción y crítica, que deben considerarse para futuras mejoras. Esperamos que esta exploración preliminar inspire futuras investigaciones en la comunidad de agentes de GUI. Todos los casos de prueba en el artículo se pueden probar a través del proyecto: https://github.com/showlab/computer_use_ootb.

English

The recently released model, Claude 3.5 Computer Use, stands out as the first frontier AI model to offer computer use in public beta as a graphical user interface (GUI) agent. As an early beta, its capability in the real-world complex environment remains unknown. In this case study to explore Claude 3.5 Computer Use, we curate and organize a collection of carefully designed tasks spanning a variety of domains and software. Observations from these cases demonstrate Claude 3.5 Computer Use's unprecedented ability in end-to-end language to desktop actions. Along with this study, we provide an out-of-the-box agent framework for deploying API-based GUI automation models with easy implementation. Our case studies aim to showcase a groundwork of capabilities and limitations of Claude 3.5 Computer Use with detailed analyses and bring to the fore questions about planning, action, and critic, which must be considered for future improvement. We hope this preliminary exploration will inspire future research into the GUI agent community. All the test cases in the paper can be tried through the project: https://github.com/showlab/computer_use_ootb.