← Zurück zum Blog
Aica. 7 Min. Lesezeit

Ein offenes Modell mit 397B steuert jetzt deinen Desktop. Das mit 9B liegt nur neun Punkte zurück.

Veröffentlicht 7. Nov. 2026
Ein offenes Modell mit 397B steuert jetzt deinen Desktop. Das mit 9B liegt nur neun Punkte zurück.

NorthCUA ist am 3. November mit drei Open-Weight-Modellen und dem Harness erschienen, der sie ausführt. Die Schlagzeile ist Pro, ein Mixture-of-Experts-System mit 397B Parametern, das 88 auf OSWorld-Verified erreicht, einem Benchmark, in dem ein Agent mehrstufige Aufgaben in einem echten Betriebssystem erledigen muss: Dateien verschieben, Anwendungen wechseln, Formulare ausfüllen, einen Bildschirm lesen und entscheiden, wohin der nächste Klick geht.

Die Zahl, die mehr Aufmerksamkeit verdient, ist 78.9. Das ist Nano, mit 9B Parametern.

Neun Punkte Benchmark-Abstand bei einem 44-fachen Unterschied in der Modellgröße. Mini liegt mit 35B und 85 Punkten dazwischen. Auf WebArena-Verified, dem Benchmark für Browsernavigation, ist die Spanne ähnlich schmal.

Was der Benchmark tatsächlich misst

OSWorld-Verified gibt einem Agenten eine Aufgabe und eine virtuelle Maschine und bewertet, ob der Endzustand passt. Es ist näher an echter Arbeit als ein Multiple-Choice-Test und weiter von echter Arbeit entfernt, als es aussieht. Die Aufgaben sind gut spezifiziert, die Umgebung ist sauber, und nichts Unerwartetes unterbricht.

Ein Wert von 88 bedeutet, dass rund 12 Prozent der Aufgaben scheitern. Für ein Forschungssystem ist das ein gutes Ergebnis, für ein Produkt, das deine Dateien anfasst, ein schlechtes. Wenn ein Agent eine von acht Aufgaben falsch macht und einige dieser Fehler das Löschen des falschen Dings oder den Klick auf den falschen Knopf betreffen, lässt ihn niemand unbeaufsichtigt auf einem Arbeitslaptop.

Das ist die ehrliche Lesart der Veröffentlichung, und den Autoren ist zugutezuhalten, dass der technische Report sie nicht überverkauft. Er veröffentlicht auch nicht für jeden Vergleich absolute Werte, sondern rahmt die Ergebnisse geschlossener Modelle als Urteile statt als Tabellen: Pro schlägt Qwen3.8-Max und Kimi-K3 auf OSWorld, Mini schlägt Kimi-K3, und auf WebArena schlägt Mini Qwen3.8-Max, während Pro beide schlägt.

Das sind die eigenen Evaluationen der Autoren auf ihrem eigenen Aufgabensatz. Behandle sie als Behauptung, nicht als Platz auf einer Rangliste.

Wie es trainiert wurde

Drei Teile, und die Benennung ist ungewöhnlich wörtlich.

Das Experience Flywheel liefert ausführbare Aufgaben aus echter Anwendungsnutzung. Der Punkt ist, dass die Aufgaben Ground Truth mitbringen, weil du prüfen kannst, ob die Tabelle korrekt gefüllt wurde.

Der Harness hält eine lange Interaktion zusammen: Er zeichnet Entscheidungen auf, speist Beobachtungen zurück und validiert Ergebnisse über Sitzungen hinweg, die weit länger laufen als ein einzelnes Kontextfenster. Jede Trajektorie wurde in einer isolierten E2B-Sandbox gesammelt, was auch heißt, dass die Trainingsdaten reproduzierbar sind und das Modell nie eine echte Maschine gesehen hat, die es kaputt machen könnte.

Staged Learning ist der Zeitplan. Es beginnt mit Grounding-Mid-Training, das dem Modell beibringt, wie ein Knopf und ein Textfeld aussehen. Dann überwachtes Feintuning über lange Horizonte auf vollständigen Aufgaben-Trajektorien. Dann gemeinsames Reinforcement Learning über Desktop und Web mit Group-Relative Policy Optimization, derselben Methodenfamilie, die hinter den meisten jüngsten Fortschritten bei Reasoning-Modellen steht.

Der Umfang sind über 4 Millionen GUI-Interaktionsschritte in Dutzenden von Anwendungen. Für GUI-Daten ist das viel und verglichen mit den Textkorpora hinter einem Frontier-Sprachmodell wenig, und genau das ist die Bedingung, unter der Spezialisierung gewinnt.

Die Ultrafast-Variante ist das interessantere Artefakt

NorthCUA-Ultrafast kombiniert direkte Aktionsauswahl mit Generierung und läuft auf dem Nano-Modell vor dem RL. Klar gesagt überspringt es den Reasoning-Schritt und bildet Beobachtung über gelernte Abkürzungen auf Aktion ab, mit Rückfall aufs Denken, wenn die Abkürzung nicht sicher ist.

Der Report schreibt ihm 2.3-mal schnellere durchschnittliche Fertigstellung bei passenden erfolgreichen WebArena-Aufgaben zu. Gleiche Aufgaben, gleicher Erfolg, weniger als die halbe Wanduhrzeit.

Das ist die Form des Deployment-Problems für Computer-Use-Agenten, und es ist nicht die Form, die die meisten erwarten. Die Erfolgsquote bekommt die Aufmerksamkeit. Die Latenz entscheidet, ob ein Mensch dem Agenten tatsächlich bei der Arbeit zusieht oder den Raum verlässt. Eine Aufgabe, die vier Minuten dauert und zu 85 Prozent gelingt, ist ein Werkzeug. Dieselbe Aufgabe in 100 Sekunden ist ein Feature.

Es sagt auch etwas darüber, wo die Intelligenz leben muss. Wenn ein 9B-Modell mit Abkürzungen fast so gut ist wie ein 397B-Modell, das hart nachdenkt, dann war für eine große Klasse von Desktop-Aufgaben der Engpass nie die Denktiefe. Es waren Grounding-Qualität und Datenabdeckung, und die sind billiger zu verbessern.

Warum offene Gewichte hier mehr zählen als anderswo

Ein Computer-Use-Agent sieht deinen Bildschirm. Jeder Screenshot kann einen Kundendatensatz, ein Passwortfeld, ein unangekündigtes Produkt, ein internes Dashboard enthalten. Diesen Strom an eine entfernte API zu schicken, ist eine Data-Governance-Entscheidung. Für viele Organisationen ist es eine Entscheidung, die sie nicht treffen dürfen.

In diese Governance-Einschränkung, nicht in rohe Fähigkeit, verkauft sich diese Veröffentlichung. Krankenhäuser, Banken, Regierungsauftragnehmer und Hersteller, die Desktop-Automatisierung wollen und Bildschirmaufnahmen nicht über Dritte leiten können, haben jetzt drei Größen zur Auswahl, dazu den Harness, und keine Softwarelizenzgebühr.

Die praktische Anleitung, die daraus folgt, ist langweilig und richtig. Fang mit Nano bei den drei Aufgaben an, die du am häufigsten machst: ein Formular ausfüllen, einen Bericht exportieren, Daten zwischen zwei Anwendungen bewegen. Wenn es die kann, bewältigt Mini Produktionsvolumen auf einer einzelnen Rechenzentrums-GPU. Pro existiert, um die Decke zu finden, und wenn dein Deckenproblem von Pro nicht gelöst wird, liegt das Problem in deinem Aufgabendesign und nicht im Modell.

Drei Größen sind eine Preisentscheidung

9B, 35B und 397B in einer Veröffentlichung zu liefern, ist eine Art, Kunden sich selbst sortieren zu lassen.

Drei matte weiße Keramikwürfel in unterschiedlichen Größen auf hellem Leinen, unter weichem Licht von oben.

9B Parameter passen auf einen Laptop oder einen Mini-PC. Das ist die Version, die ein kleiner Betrieb in einem Land mit teurem Cloud-Egress laufen lassen kann, und die Version, die die Veröffentlichung außerhalb der üblichen wenigen Märkte relevant macht. 35B passen auf eine Rechenzentrums-GPU, und auf dieser Stufe werden die meisten Produktions-Deployments landen. 397B existieren, um zu belegen, dass die Architektur skaliert, und um im Abstract zitiert zu werden.

Der Report im arXiv-Stil macht mit seiner Evaluation etwas Ähnliches. Er vergleicht gegen geschlossene Modelle mit Billionen Parametern statt gegen offene Peers, weil der Vergleich zitiert wird, den man gewinnt. Wer wissen will, wie Nano gegen ein gut abgestimmtes 32B Vision-Language-Modell abschneidet, findet es hier nicht.

Nichts davon macht die Zahlen falsch. Es macht sie eng, und der nützliche Schritt für einen Käufer ist, die Schlagzeile zu ignorieren und die Stufe zu testen, die er sich leisten kann.

Der Teil, den niemand gelöst hat

Zwölf Prozent Fehler sind eine Statistik. Dahinter stehen konkrete Verhaltensweisen, die alle Computer-Use-Systeme teilen.

Sie lesen Zustand falsch. Ein Agent klickt ein Kästchen an, das schon angehakt war, und der nächste Schritt geht davon aus, dass er es gerade eingeschaltet hat. Sie verlieren den Überblick, welches Fenster den Fokus hat. Sie wiederholen eine Aktion, die teilweise erfolgreich war, und verdoppeln die Wirkung. Und sie haben kein Konzept von Unumkehrbarkeit, also gilt dieselbe Sicherheit für das Öffnen eines Menüs und für das Drücken von Senden bei einer Mail an vierhundert Leute.

Nichts in dieser Veröffentlichung adressiert das. Die Abhilfe ist architektonisch: den Agenten in einem Container laufen lassen, vor jedem unumkehrbaren Schritt einen Snapshot ziehen, für eine definierte Liste von Aktionen menschliche Bestätigung verlangen und jeden Klick mit Frame-Capture protokollieren, damit ein Fehler diagnostiziert werden kann.

Offene Gewichte machen diese Architektur billiger zu bauen, und das ist das eigentliche Argument für sie. Eine geschlossene API zwingt dich, der Sicherheitsschicht des Anbieters zu vertrauen. Ein offener Checkpoint lässt dich deinen eigenen Zaun darum ziehen.

Die neun Punkte zwischen 9B und 397B sagen etwas über die nächsten zwei Jahre dieses Markts. Die Modelle werden langsam besser, und die Produkte werden um die Stufe gebaut, die gut genug ist zu einem Preis, der passt. Wenn Nano heute für deinen Workflow gut genug ist, sitzt die interessante Ingenieursarbeit im Harness, den du um das Modell baust, das du schon hast.

Verwandte Artikel