CoAct-1 : Agents utilisateurs d’ordinateurs avec le codage comme actions

papers.abstract

Les agents autonomes qui opèrent des ordinateurs via des interfaces graphiques (GUI) souffrent souvent d'un manque d'efficacité et de fiabilité pour les tâches complexes et à long terme. Bien que l'ajout de planificateurs à ces agents puisse améliorer la décomposition des tâches, ils restent limités par les contraintes inhérentes à l'exécution de toutes les actions via la manipulation de l'interface graphique, ce qui entraîne fragilité et inefficacité. Dans ce travail, nous introduisons un paradigme plus robuste et flexible : permettre aux agents d'utiliser le codage comme une action améliorée. Nous présentons CoAct-1, un système multi-agent novateur qui combine de manière synergique le contrôle basé sur l'interface graphique avec l'exécution programmatique directe. CoAct-1 intègre un Orchestrateur qui délègue dynamiquement les sous-tâches soit à un Opérateur GUI conventionnel, soit à un agent Programmeur spécialisé, capable d'écrire et d'exécuter des scripts Python ou Bash. Cette approche hybride permet à l'agent de contourner les séquences d'actions inefficaces sur l'interface graphique pour des tâches telles que la gestion de fichiers et le traitement de données, tout en exploitant l'interaction visuelle lorsque nécessaire. Nous évaluons notre système sur le benchmark exigeant OSWorld, où CoAct-1 atteint un taux de réussite inédit de 60,76 %, surpassant significativement les méthodes précédentes. De plus, notre approche améliore considérablement l'efficacité, réduisant le nombre moyen d'étapes nécessaires pour accomplir une tâche à seulement 10,15, contre 15 pour les meilleurs agents basés sur l'interface graphique. Nos résultats démontrent que l'intégration du codage comme action centrale offre une voie plus puissante, efficace et évolutive vers l'automatisation généralisée des ordinateurs.

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 : Agents utilisateurs d’ordinateurs avec le codage comme actions

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

papers.abstract

Support