头版Folia Daily Briefing
← 返回头版
科技人工智能

AI代理计算机使用能力遭遇瓶颈 绕过界面导致真实表现远低于基准

尽管2024-2025年主要AI实验室纷纷推出计算机使用原型并在基准测试中取得亮眼成绩,但这些AI代理在真实应用场景中的表现却远低于预期。[1]在OSWorld-V2基准测试中,最佳模型的任务完成率仅为20.6%,Agents' Last Exam的最佳结果也仅有26.2%。[1]相比之下,基准测试本身显示的完成率从60.76%到97.4%不等,而人类在WebGames基准上的成功率超过95%。[1]

问题的根源在于AI代理的工作方式与人类存在根本差异。[1]GPT-5.5和Claude Opus等模型倾向于通过API调用的方式绕过用户界面,而非像人类一样直接操作界面完成任务。[1]这种策略导致计算预算的低效配置,视觉定位、低级操作和工具使用的开销占据了代理计算预算的主要部分。[1]仅通过扩大模型规模无法解决这一核心问题,真正的突破需要改变代理与计算机界面的交互方式。[1]


AI代理计算机使用大语言模型人机交互界面自动化