AI 智能体正在学习像人一样操作电脑：打开软件、点击按钮、填写表单、完成一整条任务。这类程序叫作「计算机使用智能体」（能自主操作电脑完成任务的 AI 程序），是 AI 落地的重要方向之一。但长期以来，它们大多只会一种操作方式——像人一样用鼠标在图形界面里点击，步骤多、速度慢；而真实世界的工作，其实是「图形界面」和「命令行」两种方式的混合。
2026 年 9 月 4 日提交到 arXiv（全球最大的学术预印本平台，研究者公开发布论文草稿的地方）的一篇论文，提出了一个名为 CUA-Universe 的系统来破解这个问题：它把真实桌面软件成批改造成「图形界面 + 命令行」混合的训练环境，再用产出的数据训练出一个 9B（90 亿参数）规模的小模型。结果是，这个模型在行业常用的 OSWorld 基准（考核 AI 操作电脑能力的标准测试集）上，任务成功率提升 16.8 个百分点，完成步骤减少 57%。
计算机使用智能体卡在哪
计算机使用智能体为什么值得关注？因为它们能替人完成重复的电脑操作：批量处理文件、操作业务系统、执行跨软件的数据搬运。业界已有 OSWorld、AndroidWorld 等基准测试（行业公认的标准化考试）来衡量它们的水平，模型的得分持续上升。
但进步集中在一条路上：只看图形界面。图形界面（GUI）就是普通用户看到的那种「鼠标点击」的界面；命令行（CLI）则是通过输入文字指令来操作电脑的界面，例如在终端里敲一条命令批量重命名几百个文件，几秒钟完成。
两种方式各有短板：
- 只会图形界面的智能体：把操作拆成大量细碎点击，动辄几十步，效率低。
- 只会命令行的智能体：没有视觉感知，遇到「看看这个界面长什么样」「检查这个页面布局」这类任务就无从下手。
真实的电脑工作两者都要用：先看一眼界面确认状态，再用命令高效执行。问题在于，同时支持两种方式的训练环境非常稀缺——让智能体在真实软件上同时操作 GUI 和 CLI，每个应用都需要大量人工搭建，成本太高。
CUA-Universe 的三步流水线
CUA-Universe 是一个「环境到数据」的流水线（把真实软件变成训练环境、再把环境产出变成训练数据的整套流程），由三个组件构成：
App-Forge（应用锻造）：把真实桌面软件适配成可复现的虚拟机——虚拟机（VM）就是用软件模拟出来的整台电脑，可以随时重置回初始状态，适合反复训练。App-Forge 会自动发现、包装或生成每个应用的命令行操作入口，目前已扩展到 16 个应用。
Task-Weave（任务编织）：从种子文件里的可复用操作出发，合成难度可控、形式多样的混合任务——既有界面操作，也有命令操作，还有两者的组合。
Path-Steer（路径引导）：引导模型沿高效的混合操作路径完成任务，并把验证过的轨迹（模型完成任务的操作过程记录）收集起来，用于后训练——在模型已有能力的基础上，用专门的数据进一步训练，让行为向「界面 + 命令协同」转变。
训练效果：小模型也能又快又准
论文用这套流水线产出的数据训练了一个 9B 参数的小模型，在三个测试集上做了验证：
- CUA-Verse（论文自带的基准）：得分提升 39.3 分，步骤减少 37%，token 消耗减少 60%。token 是模型处理文本的计量单位，可以粗浅理解为「算力花销」，token 减少意味着更省钱、更快。
- OSWorld：任务成功率提升 16.8 个百分点，步骤减少 57%，token 消耗减少 44%。
- OSWorld-MCP：得分提升 7.84 分，步骤减少 27%，token 消耗减少 30%。
三个测试集上都同时出现「成功率/得分上升 + 步骤和 token 下降」，说明模型不是靠多折腾换成绩，而是真的学会了用更聪明的混合方式干活。
这篇研究带来的信号
把这条消息放进行业背景里看，有两层含义。
第一层，训练数据的范式正在转变：过去教智能体操作电脑，默认路径是「模拟人点鼠标」；CUA-Universe 证明，「图形界面看状态、命令行做执行」的混合路径，能让智能体用更少步骤完成同样任务，这是一条可扩展的数据生产路径——应用越接越多，数据越滚越多。
第二层，模型规模不是唯一答案：这个 9B 小模型靠高质量训练数据，在多个基准上同时提升成功率与效率，说明对「操作电脑」这类任务，数据质量对结果的影响不亚于模型大小。
一句话带走：想让 AI 高效操作电脑，关键不只是把模型做大，而是让它学会像人一样，在图形界面和命令行之间灵活切换。