CODA: Координация коры головного мозга и мозжечка для компьютерного агента с двумя "мозгами" и разделённым обучением с подкреплением

CODA: Coordinating the Cerebrum and Cerebellum for a Dual-Brain Computer Use Agent with Decoupled Reinforcement Learning

August 27, 2025

Авторы: Zeyi Sun, Yuhang Cao, Jianze Liang, Qiushi Sun, Ziyu Liu, Zhixiong Zhang, Yuhang Zang, Xiaoyi Dong, Kai Chen, Dahua Lin, Jiaqi Wang

cs.AI

Аннотация

Автономные агенты для графических пользовательских интерфейсов (GUI) сталкиваются с серьезными вызовами в специализированных областях, таких как научные вычисления, где требуются как долгосрочное планирование, так и точное выполнение задач. Существующие подходы страдают от компромисса: универсальные агенты преуспевают в планировании, но плохо справляются с выполнением, тогда как специализированные агенты демонстрируют противоположную слабость. Современные композиционные фреймворки пытаются устранить этот разрыв, объединяя планировщик и исполнителя, но они, как правило, статичны и не поддаются обучению, что препятствует адаптации на основе опыта. Это является критическим ограничением, учитывая недостаток высококачественных данных в научных областях. Для решения этих проблем мы представляем CODA — новый обучаемый композиционный фреймворк, который интегрирует универсальный планировщик (Cerebrum) со специализированным исполнителем (Cerebellum), обучаемым через двухэтапный процесс. На первом этапе, Специализация, мы применяем подход GRPO с разделением для обучения эксперта-планировщика для каждого научного приложения отдельно, используя небольшой набор траекторий задач в качестве начальной точки. На втором этапе, Обобщение, мы объединяем все успешные траектории от специализированных экспертов для создания консолидированного набора данных, который затем используется для контролируемого тонкого обучения финального планировщика. Это наделяет CODA как надежным выполнением, так и кросс-доменным обобщением. Оценка на четырех сложных приложениях из бенчмарка ScienceBoard показывает, что CODA значительно превосходит базовые подходы и устанавливает новый уровень среди моделей с открытым исходным кодом.

English

Autonomous agents for Graphical User Interfaces (GUIs) face significant challenges in specialized domains such as scientific computing, where both long-horizon planning and precise execution are required. Existing approaches suffer from a trade-off: generalist agents excel at planning but perform poorly in execution, while specialized agents demonstrate the opposite weakness. Recent compositional frameworks attempt to bridge this gap by combining a planner and an actor, but they are typically static and non-trainable, which prevents adaptation from experience. This is a critical limitation given the scarcity of high-quality data in scientific domains. To address these limitations, we introduce CODA, a novel and trainable compositional framework that integrates a generalist planner (Cerebrum) with a specialist executor (Cerebellum), trained via a dedicated two-stage pipeline. In the first stage, Specialization, we apply a decoupled GRPO approach to train an expert planner for each scientific application individually, bootstrapping from a small set of task trajectories. In the second stage, Generalization, we aggregate all successful trajectories from the specialized experts to build a consolidated dataset, which is then used for supervised fine-tuning of the final planner. This equips CODA with both robust execution and cross-domain generalization. Evaluated on four challenging applications from the ScienceBoard benchmark, CODA significantly outperforms baselines and establishes a new state of the art among open-source models.