CoAct-1: Агенты, использующие компьютеры, с кодированием в качестве действий

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

August 5, 2025

Авторы: 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

Аннотация

Автономные агенты, управляющие компьютерами через графические пользовательские интерфейсы (GUI), часто сталкиваются с проблемами эффективности и надежности при выполнении сложных задач с длительным горизонтом. Хотя добавление планировщиков к таким агентам может улучшить декомпозицию задач, они остаются ограниченными из-за присущих манипуляциям через GUI недостатков, что приводит к хрупкости и неэффективности. В данной работе мы представляем более устойчивую и гибкую парадигму: предоставление агентам возможности использовать программирование как расширенное действие. Мы представляем CoAct-1, новую мультиагентную систему, которая синергетически сочетает управление через GUI с прямым программным выполнением. CoAct-1 включает Оркестратора, который динамически делегирует подзадачи либо традиционному GUI-оператору, либо специализированному агенту-программисту, способному писать и выполнять скрипты на Python или Bash. Такой гибридный подход позволяет агенту обходить неэффективные последовательности действий через GUI для задач, таких как управление файлами и обработка данных, при этом сохраняя возможность визуального взаимодействия, когда это необходимо. Мы оцениваем нашу систему на сложном бенчмарке OSWorld, где CoAct-1 достигает нового рекордного уровня успешности в 60,76%, значительно превосходя предыдущие методы. Кроме того, наш подход существенно повышает эффективность, сокращая среднее количество шагов для выполнения задачи до 10,15 по сравнению с 15 у ведущих GUI-агентов. Наши результаты демонстрируют, что интеграция программирования как основного действия открывает более мощный, эффективный и масштабируемый путь к обобщенной автоматизации работы с компьютером.

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.