EvoCUA：美团开源的通用多模态计算机操作模型

EvoCUA是什么

EvoCUA（Evolving Computer Use Agent）是由美团开源的一款创新多模态模型，专注于计算机使用自动化任务的解决。该工具能够通过自然语言指令和屏幕截图实现对Chrome、Excel、PowerPoint等主流软件的端到端多轮操作，有效提升了人机交互效率。在权威的OSWorld基准测试中，EvoCUA以56.7%的任务完成率位居开源模型榜首，成功超越了包括多个知名模型在内的竞争对手。

作为一项具有突破性的技术，EvoCUA采用了独特的数据合成与训练方法，在保持视觉语言模型通用性能的同时，显著提升了其在计算机使用场景中的实际应用能力。这种创新的训练方式不仅优化了模型的准确性，还确保了其在不同复杂任务中的稳定表现。

EvoCUA的主要功能

• 多轮交互：支持与桌面环境进行多次对话式交互，能够根据具体任务需求逐步完成复杂操作。这种设计使用户可以更自然地通过语言指令完成任务。
• 灵活的任务处理能力：不仅限于单一任务执行，EvoCUA能够理解上下文关系，在多任务场景中也能表现出色，为用户提供更加智能的交互体验。
• 跨平台兼容性：支持多种主流操作系统和应用程序，具有广泛的适用性和强大的环境适应能力，满足不同用户的多样化需求。

EvoCUA不仅是一款功能强大的自动化工具，更是一个开放协作的起点。通过开源社区的支持，该模型将持续进化，为计算机使用自动化领域的发展注入新的活力。