EvoCUA: Evolving Computer Use Agents via Learning from Scalable Synthetic Experience

一、论文主要内容总结

这篇论文提出了一种名为 EvoCUA 的原生计算机使用智能体模型，旨在解决传统智能体依赖静态数据集模仿学习、无法捕捉长程任务因果动态的瓶颈。

1. 核心框架
   EvoCUA 构建了“可验证合成引擎-可扩展交互基础设施-迭代进化学习”的自循环体系。可验证合成引擎自主生成带可执行验证器的多样化任务，解决数据稀缺问题；可扩展交互基础设施支持数万异步沙箱并行运行，实现大规模经验采集；迭代进化学习策略通过分析成功与失败轨迹，动态优化模型策略。
2. 实验效果
   在 OSWorld 基准测试中，EvoCUA-32B 达到 56.7% 的成功率，超越此前最优开源模型 OpenCUA-72B（45.0%），同时优于闭源模型 UI-TARS-2（53.1%），验证了该方法在不同规模基础模型上的普适性。

二、论文创新点

1. 范式创新
   提出从静态模仿学习转向基于可扩展合成经验的进化学习范式，构建数据生成与策略优化的自洽循环，突破静态数据集的性能瓶颈。
2. 模块创新
   • 设计