CoAct-1: Agentes que Utilizam Computadores com Codificação como Ações

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

August 5, 2025

Autores: Linxin Song, Yutong Dai, Viraj Prabhu, Jieyu Zhang, Taiwei Shi, Li Li, Junnan Li, Silvio Savarese, Zeyuan Chen, Jieyu Zhao, Ran Xu, Caiming Xiong

cs.AI

Resumo

Agentes autônomos que operam computadores por meio de Interfaces Gráficas de Usuário (GUIs) frequentemente enfrentam desafios de eficiência e confiabilidade em tarefas complexas e de longo prazo. Embora o aprimoramento desses agentes com planejadores possa melhorar a decomposição de tarefas, eles permanecem limitados pelas restrições inerentes à execução de todas as ações por meio de manipulação de GUI, resultando em fragilidade e ineficiência. Neste trabalho, introduzimos um paradigma mais robusto e flexível: permitir que os agentes utilizem a codificação como uma ação aprimorada. Apresentamos o CoAct-1, um sistema multiagente inovador que combina de forma sinérgica o controle baseado em GUI com a execução programática direta. O CoAct-1 possui um Orquestrador que delega dinamicamente subtarefas a um Operador de GUI convencional ou a um agente Programador especializado, capaz de escrever e executar scripts em Python ou Bash. Essa abordagem híbrida permite que o agente evite sequências de ações ineficientes em GUI para tarefas como gerenciamento de arquivos e processamento de dados, ao mesmo tempo em que ainda aproveita a interação visual quando necessário. Avaliamos nosso sistema no desafiador benchmark OSWorld, onde o CoAct-1 alcança uma nova taxa de sucesso de estado da arte de 60,76%, superando significativamente métodos anteriores. Além disso, nossa abordagem melhora drasticamente a eficiência, reduzindo o número médio de etapas necessárias para concluir uma tarefa para apenas 10,15, em comparação com 15 dos principais agentes de GUI. Nossos resultados demonstram que a integração da codificação como uma ação central oferece um caminho mais poderoso, eficiente e escalável para a automação generalizada de computadores.

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.