Необоснованная эффективность масштабируемых агентов для использования в компьютерах
The Unreasonable Effectiveness of Scaling Agents for Computer Use
October 2, 2025
Авторы: Gonzalo Gonzalez-Pumariega, Vincent Tu, Chih-Lun Lee, Jiachen Yang, Ang Li, Xin Eric Wang
cs.AI
Аннотация
Агенты для выполнения компьютерных задач (Computer-use agents, CUAs) обладают потенциалом для автоматизации повседневных цифровых задач, однако их ненадежность и высокая вариативность ограничивают их применение в долгосрочных и сложных задачах. Мы представляем метод Behavior Best-of-N (bBoN), который масштабируется на основе агентов путем генерации множества траекторий и выбора среди них с использованием поведенческих нарративов, описывающих траектории агентов. Этот метод обеспечивает как широкое исследование, так и принципиальный выбор траекторий, значительно повышая надежность и успешность выполнения задач. На платформе OSWorld наш метод bBoN устанавливает новый рекорд (state of the art, SoTA) с показателем 69,9%, значительно превосходя предыдущие методы и приближаясь к уровню человеческой производительности в 72%, при этом всесторонние эксперименты подтверждают ключевые проектные решения. Мы также демонстрируем сильные результаты обобщения на различных операционных системах в рамках WindowsAgentArena и AndroidWorld. Важно отметить, что наши результаты подчеркивают необоснованную эффективность масштабирования CUAs при правильном подходе: эффективное масштабирование требует структурированного понимания и выбора траекторий, и bBoN предоставляет практическую основу для достижения этой цели.
English
Computer-use agents (CUAs) hold promise for automating everyday digital
tasks, but their unreliability and high variance hinder their application to
long-horizon, complex tasks. We introduce Behavior Best-of-N (bBoN), a method
that scales over agents by generating multiple rollouts and selecting among
them using behavior narratives that describe the agents' rollouts. It enables
both wide exploration and principled trajectory selection, substantially
improving robustness and success rates. On OSWorld, our bBoN scaling method
establishes a new state of the art (SoTA) at 69.9%, significantly outperforming
prior methods and approaching human-level performance at 72%, with
comprehensive ablations validating key design choices. We further demonstrate
strong generalization results to different operating systems on
WindowsAgentArena and AndroidWorld. Crucially, our results highlight the
unreasonable effectiveness of scaling CUAs, when you do it right: effective
scaling requires structured trajectory understanding and selection, and bBoN
provides a practical framework to achieve this.