AI Radar
Support
LiveUpdated 2026-11-06 17:49 UTC

现在主流做法是截图加鼠标键盘,等于把人的交互方式强加给模型:每一步都要重新读屏,电脑本身的语义层和程序化能力反而没被用上。产品里早就靠 accessibility tree…

CUA 的榜单刷得越来越快,但很少有人算时间账。 现在主流做法是截图加鼠标键盘,等于把人的交互方式强加给模型:每一步都要重新读屏,电脑本身的语义层和程序化能力反而没被用上。产品里早就靠 accessibility tree…CUA 的榜单刷得越来越快,但很少有人算时间账。 现在主流做法是截图加鼠标键盘,等于把人的交互方式强加给模型:每一步都要重新读屏,电脑本身的语义层和程序化能力反而没被用上。产品里早就靠 accessibility tree…CUA 的榜单刷得越来越快,但很少有人算时间账。 现在主流做法是截图加鼠标键盘,等于把人的交互方式强加给模型:每一步都要重新读屏,电脑本身的语义层和程序化能力反而没被用上。产品里早就靠 accessibility tree…

This is a AI post classified by AGK Intelligence as AI agents (research), kept by the AI Radar because it carries real work, not commentary.

CUA 的榜单刷得越来越快,但很少有人算时间账。 现在主流做法是截图加鼠标键盘,等于把人的交互方式强加给模型:每一步都要重新读屏,电脑本身的语义层和程序化能力反而没被用上。产品里早就靠 accessibility tree 干活了,研究里 AX 多数时候只被当成 observation,这就是研究和落地之间的 gap。 Hybrid Computer Use 把三个通道统一成一套 interface 交给 general agent,每一步由模型自己选:code 与命令行、AX 语义操作、GUI 视觉操作。工程上有几个关键动作,AX 工具返回紧凑观察、批量执行动作、以 AX diff 报告效果,把往返次数压下去;切换通道时防止拿过期状态去执行;再配一份 skill 教模型怎么组合通道;外层以 MCP 接入任何 harness。 结果在 OSWorld 2.0 上 Partial 和 Binary 两项都是最高,而且轨迹分析显示所有被测模型都受益,只是分配在三个通道上的工作量不同。效率和成功率同时更好,跨平台和跨模型都成立。 我认同作者那句判断:AX 在执行层被严重低估,它是电脑在语义层的表示,和 GUI 某种程度是对偶的,比像素更 LLM native。纯 GUI 是第一代 human bias,code execution 加语义接口更像下一代。 也要说边界。AX 的质

Posted by 青稞社区 (3.7k followers) 14 h ago · 6 likes · 486 views · view the original post on X. Kept by the AI Radar as AI agents. Tools mentioned: arXiv.org.

More AI work like this

Every post is read and classified by AGK Intelligence: what it is, which market it belongs to, and whether the link is a real tool. 65.3k posts from 5k X accounts over the last 14 days, 10.4k tools, 19 markets. New posts are collected several times an hour and the full ranking is recomputed every hour — last update 2026-11-06 17:49 UTC. Full method.