Surfer 2：新一代跨平台计算机使用代理

Surfer 2: The Next Generation of Cross-Platform Computer Use Agents

October 22, 2025

Autores: Mathieu Andreux, Märt Bakler, Yanael Barbier, Hamza Benchekroun, Emilien Biré, Antoine Bonnet, Riaz Bordie, Nathan Bout, Matthias Brunel, Aleix Cambray, Pierre-Louis Cedoz, Antoine Chassang, Gautier Cloix, Ethan Connelly, Alexandra Constantinou, Ramzi De Coster, Hubert de la Jonquiere, Aurélien Delfosse, Maxime Delpit, Alexis Deprez, Augustin Derupti, Mathieu Diaz, Shannon D'Souza, Julie Dujardin, Abai Edmund, Michael Eickenberg, Armand Fatalot, Wissem Felissi, Isaac Herring, Xavier Koegler, Erwan Le Jumeau de Kergaradec, Aurélien Lac, Maxime Langevin, Corentin Lauverjat, Antonio Loison, Avshalom Manevich, Axel Moyal, Axel Nguyen Kerbel, Marinela Parovic, Julien Revelle, Guillaume Richard, Mats Richter, Ronan Riochet, María Santos, Romain Savidan, Laurent Sifre, Maxime Theillard, Marc Thibault, Ivan Valentini, Tony Wu, Laura Yie, Kai Yuan, Jevgenij Zubovskij

cs.AI

Resumo

A construção de agentes que generalizem entre ambientes web, desktop e móveis continua a ser um desafio em aberto, uma vez que os sistemas anteriores dependem de interfaces específicas do ambiente que limitam a implantação multiplataforma. Apresentamos o Surfer 2, uma arquitetura unificada que opera puramente a partir de observações visuais e atinge um desempenho de ponta em todos os três ambientes. O Surfer 2 integra gestão hierárquica de contexto, planeamento e execução desacoplados e autoverificação com recuperação adaptativa, permitindo operação confiável em horizontes de tarefas longos. O nosso sistema atinge 97,1% de precisão no WebVoyager, 69,6% no WebArena, 60,1% no OSWorld e 87,1% no AndroidWorld, superando todos os sistemas anteriores sem afinação específica para a tarefa. Com múltiplas tentativas, o Surfer 2 excede o desempenho humano em todos os benchmarks. Estes resultados demonstram que uma orquestração sistemática amplifica as capacidades dos modelos de base e permite o controlo informático de uso geral apenas através da interação visual, ao mesmo tempo que apela a um modelo de linguagem visual de próxima geração para alcançar uma relação custo-eficiência Pareto-ótima.

English

Building agents that generalize across web, desktop, and mobile environments remains an open challenge, as prior systems rely on environment-specific interfaces that limit cross-platform deployment. We introduce Surfer 2, a unified architecture operating purely from visual observations that achieves state-of-the-art performance across all three environments. Surfer 2 integrates hierarchical context management, decoupled planning and execution, and self-verification with adaptive recovery, enabling reliable operation over long task horizons. Our system achieves 97.1% accuracy on WebVoyager, 69.6% on WebArena, 60.1% on OSWorld, and 87.1% on AndroidWorld, outperforming all prior systems without task-specific fine-tuning. With multiple attempts, Surfer 2 exceeds human performance on all benchmarks. These results demonstrate that systematic orchestration amplifies foundation model capabilities and enables general-purpose computer control through visual interaction alone, while calling for a next-generation vision language model to achieve Pareto-optimal cost-efficiency.