CoAct-1: Agentes que utilizan computadoras con codificación como acciones

Resumen

Los agentes autónomos que operan computadoras a través de Interfaces Gráficas de Usuario (GUIs) a menudo enfrentan dificultades en eficiencia y confiabilidad al realizar tareas complejas y de largo plazo. Si bien el uso de planificadores puede mejorar la descomposición de tareas, estos agentes siguen limitados por las restricciones inherentes de ejecutar todas las acciones mediante manipulación de GUIs, lo que resulta en fragilidad e ineficiencia. En este trabajo, presentamos un paradigma más robusto y flexible: permitir que los agentes utilicen la codificación como una acción mejorada. Introducimos CoAct-1, un sistema multiagente novedoso que combina de manera sinérgica el control basado en GUI con la ejecución programática directa. CoAct-1 incluye un Orquestador que delega dinámicamente subtareas a un Operador de GUI convencional o a un agente Programador especializado, capaz de escribir y ejecutar scripts en Python o Bash. Este enfoque híbrido permite al agente evitar secuencias de acciones ineficientes en la GUI para tareas como gestión de archivos y procesamiento de datos, mientras sigue aprovechando la interacción visual cuando es necesario. Evaluamos nuestro sistema en el desafiante benchmark OSWorld, donde CoAct-1 alcanza una nueva tasa de éxito de vanguardia del 60,76%, superando significativamente a métodos anteriores. Además, nuestro enfoque mejora drásticamente la eficiencia, reduciendo el número promedio de pasos necesarios para completar una tarea a solo 10,15, en comparación con los 15 de los principales agentes basados en GUI. Nuestros resultados demuestran que integrar la codificación como una acción central ofrece un camino más potente, eficiente y escalable hacia la automatización generalizada de computadoras.

English

Autonomous agents that operate computers via Graphical User Interfaces (GUIs) often struggle with efficiency and reliability on complex, long-horizon tasks. While augmenting these agents with planners can improve task decomposition, they remain constrained by the inherent limitations of performing all actions through GUI manipulation, leading to brittleness and inefficiency. In this work, we introduce a more robust and flexible paradigm: enabling agents to use coding as a enhanced action. We present CoAct-1, a novel multi-agent system that synergistically combines GUI-based control with direct programmatic execution. CoAct-1 features an Orchestrator that dynamically delegates subtasks to either a conventional GUI Operator or a specialized Programmer agent, which can write and execute Python or Bash scripts. This hybrid approach allows the agent to bypass inefficient GUI action sequences for tasks like file management and data processing, while still leveraging visual interaction when necessary. We evaluate our system on the challenging OSWorld benchmark, where CoAct-1 achieves a new state-of-the-art success rate of 60.76%, significantly outperforming prior methods. Furthermore, our approach dramatically improves efficiency, reducing the average number of steps required to complete a task to just 10.15, compared to 15 for leading GUI agents. Our results demonstrate that integrating coding as a core action provides a more powerful, efficient, and scalable path toward generalized computer automation.

CoAct-1: Agentes que utilizan computadoras con codificación como acciones

CoAct-1: Computer-using Agents with Coding as Actions

Resumen

Support