La Irrazonable Eficacia de los Agentes de Escalado para el Uso de Computadoras

The Unreasonable Effectiveness of Scaling Agents for Computer Use

October 2, 2025

Autores: Gonzalo Gonzalez-Pumariega, Vincent Tu, Chih-Lun Lee, Jiachen Yang, Ang Li, Xin Eric Wang

cs.AI

Resumen

Los agentes de uso informático (CUAs, por sus siglas en inglés) ofrecen potencial para automatizar tareas digitales cotidianas, pero su falta de fiabilidad y alta variabilidad dificultan su aplicación en tareas complejas de largo plazo. Presentamos Behavior Best-of-N (bBoN), un método que escala sobre múltiples agentes generando varias ejecuciones y seleccionando entre ellas mediante narrativas de comportamiento que describen las ejecuciones de los agentes. Este método permite tanto una exploración amplia como una selección de trayectorias fundamentada, mejorando sustancialmente la robustez y las tasas de éxito. En OSWorld, nuestro método de escalado bBoN establece un nuevo estado del arte (SoTA) con un 69,9%, superando significativamente métodos anteriores y acercándose al rendimiento humano del 72%, con ablaciones exhaustivas que validan decisiones clave de diseño. Además, demostramos fuertes resultados de generalización en diferentes sistemas operativos en WindowsAgentArena y AndroidWorld. De manera crucial, nuestros resultados destacan la efectividad irrazonable de escalar CUAs cuando se hace correctamente: un escalado efectivo requiere una comprensión y selección estructurada de trayectorias, y bBoN proporciona un marco práctico para lograrlo.

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.