GUI エージェントの誕生: Claude 3.5 コンピュータを用いた予備的なケーススタディ

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

November 15, 2024

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

cs.AI

要旨

最近リリースされたモデル、Claude 3.5 Computer Useは、公開ベータ版として初めてコンピュータの使用をグラフィカルユーザインターフェース（GUI）エージェントとして提供する最先端のAIモデルとして際立っています。この早期ベータ版では、実世界の複雑な環境での能力は未知のままです。Claude 3.5 Computer Useを探求するこのケーススタディでは、様々な領域やソフトウェアを対象とした、注意深く設計されたタスクのコレクションを収集し整理します。これらのケースからの観察結果は、Claude 3.5 Computer Useの未曾有のエンドツーエンドの言語からデスクトップアクションへの能力を示しています。この研究と共に、APIベースのGUI自動化モデルを簡単に実装できるエージェントフレームワークを提供します。私たちのケーススタディは、Claude 3.5 Computer Useの能力と限界の基礎を詳細に分析し、今後の改善のために考慮すべき計画、アクション、批評についての問題を明らかにします。この初期の探索がGUIエージェントコミュニティへの将来の研究を刺激することを願っています。論文中のすべてのテストケースは、以下のプロジェクトを通じて試すことができます：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.