Un modello aperto da 397B ora guida il tuo desktop. Quello da 9B è solo nove punti indietro.

NorthCUA è uscita il 3 novembre con tre modelli a pesi aperti e l'harness che li esegue. Il numero in testa è Pro, un sistema mixture-of-experts da 397B parametri che segna 88 su OSWorld-Verified, un benchmark in cui un agente deve completare attività multi-step dentro un sistema operativo reale: spostare file, cambiare applicazione, compilare moduli, leggere uno schermo e decidere dove cliccare dopo.
Il numero che dovrebbe ricevere più attenzione è 78.9. È Nano, a 9B parametri.
Nove punti di scarto nel benchmark a fronte di una differenza di 44 volte nella dimensione del modello. Mini sta in mezzo, a 35B e 85 punti. Su WebArena-Verified, il benchmark di navigazione browser, la forbice è altrettanto stretta.
Cosa misura davvero il benchmark
OSWorld-Verified dà a un agente un compito e una macchina virtuale e valuta se lo stato finale corrisponde. È più vicino al lavoro vero di un test a scelta multipla, e più lontano dal lavoro vero di quanto sembri. I compiti sono ben specificati, l'ambiente è pulito, e niente di inatteso interrompe.
Un punteggio di 88 significa che circa il 12 per cento dei compiti fallisce. È un buon risultato per un sistema di ricerca e un cattivo risultato per un prodotto che tocca i tuoi file. Se un agente sbaglia un compito su otto, e alcuni di quegli errori consistono nel cancellare la cosa sbagliata o nel cliccare il pulsante sbagliato, nessuno lo lascerà incustodito su un portatile di lavoro.
Questa è la lettura onesta dell'uscita, e va dato atto agli autori che il report tecnico non la gonfia. Non pubblica nemmeno punteggi assoluti per ogni confronto, impostando i risultati dei modelli chiusi come verdetti invece che come tabelle: Pro batte Qwen3.8-Max e Kimi-K3 su OSWorld, Mini batte Kimi-K3, e su WebArena Mini batte Qwen3.8-Max mentre Pro li batte entrambi.
Sono le valutazioni degli autori sul loro stesso set di compiti. Vanno prese come un'affermazione, non come una posizione in classifica.
Come è stato addestrato
Tre pezzi, e la nomenclatura è insolitamente letterale.
L'Experience Flywheel fornisce compiti eseguibili presi dall'uso reale delle applicazioni. Il punto è che i compiti arrivano con la ground truth, perché puoi verificare se il foglio di calcolo è stato compilato correttamente.
L'Harness tiene insieme una lunga interazione: registra le decisioni, rimanda le osservazioni in ingresso e valida gli esiti su sessioni che durano molto più di una singola finestra di contesto. Ogni traiettoria è stata raccolta in un sandbox E2B isolato, il che significa anche che i dati di addestramento sono riproducibili e che il modello non ha mai visto una macchina viva che potesse rompere.
Staged Learning è il programma. Parte con un mid-training di grounding, che insegna al modello che aspetto hanno un pulsante e un campo di testo. Poi fine-tuning supervisionato a lungo orizzonte su traiettorie complete. Poi reinforcement learning congiunto su desktop e web con Group-Relative Policy Optimization, la stessa famiglia di metodi dietro la maggior parte dei guadagni recenti dei modelli di ragionamento.
La scala è oltre 4 milioni di passi di interazione GUI su decine di applicazioni. È tanto per dati GUI e poco rispetto ai corpus di testo dietro un modello linguistico di frontiera, che è esattamente la condizione in cui la specializzazione vince.
La variante Ultrafast è l'artefatto più interessante
NorthCUA-Ultrafast accoppia selezione diretta dell'azione e generazione, girando sul modello Nano pre-RL. In parole povere, salta il passaggio di ragionamento e mappa l'osservazione all'azione tramite scorciatoie apprese, tornando a pensare quando la scorciatoia non è sicura.
Il report gli attribuisce un completamento medio 2.3 volte più veloce su compiti WebArena abbinati e riusciti. Stessi compiti, stesso successo, meno della metà del tempo reale.
È la forma del problema di deployment per gli agenti computer-use, e non è la forma che la maggior parte della gente si aspetta. Il tasso di successo prende l'attenzione. La latenza è ciò che determina se un umano guarderà davvero l'agente lavorare o uscirà dalla stanza. Un compito che richiede quattro minuti e riesce l'85 per cento delle volte è uno strumento. Lo stesso compito a 100 secondi è una funzionalità.
Implica anche qualcosa su dove debba vivere l'intelligenza. Se un modello 9B con scorciatoie è quasi buono quanto un 397B che pensa a fondo, allora per un'ampia classe di compiti desktop il collo di bottiglia non è mai stata la profondità del ragionamento. Era la qualità del grounding e la copertura dei dati, e quelle costano meno da migliorare.
Perché i pesi aperti contano qui più che altrove
Un agente computer-use vede il tuo schermo. Ogni screenshot che cattura può contenere la scheda di un cliente, un campo password, un prodotto non annunciato, una dashboard interna. Mandare quel flusso a un'API remota è una decisione di governance dei dati. Per parecchie organizzazioni è una decisione che non sono autorizzate a prendere.
È su quel vincolo di governance, più che sulla capacità grezza, che questa uscita si vende. Ospedali, banche, fornitori pubblici e manifatturieri che vogliono automazione desktop e non possono far passare le catture schermo da una terza parte ora hanno tre taglie tra cui scegliere, più l'harness, più nessun costo di licenza software.
La guida pratica che ne segue è noiosa e corretta. Parti da Nano sui tre compiti che fai più spesso: compilare un modulo, esportare un report, spostare dati tra due applicazioni. Se ci riesce, Mini regge il volume di produzione su una singola GPU da datacenter. Pro esiste per trovare il tetto, e se il tuo problema di tetto non è risolto da Pro, il problema è il tuo design dei compiti, non il modello.
Tre taglie sono una decisione di prezzo
Consegnare 9B, 35B e 397B in un'unica uscita è un modo per lasciare che i clienti si smistino da soli.

9B parametri stanno su un portatile o un mini PC. È la versione che una piccola impresa in un paese con egress cloud costoso può far girare, ed è la versione che rende questa uscita rilevante fuori dai soliti pochi mercati. 35B stanno su una GPU da datacenter, il livello su cui atterreranno la maggior parte dei deployment in produzione. 397B esistono per stabilire che l'architettura scala, e per essere citati nell'abstract.
Il report in stile arXiv fa qualcosa di simile con la sua valutazione. Si confronta con modelli chiusi da mille miliardi di parametri invece che con pari aperti, perché il confronto che viene citato è quello che vinci. Un lettore che vuole sapere come se la cava Nano contro un modello vision-language 32B ben tarato non lo troverà qui.
Niente di tutto questo rende i numeri sbagliati. Li rende stretti, e la mossa utile per un acquirente è ignorare il titolo e testare il livello che può permettersi.
La parte che nessuno ha risolto
Il 12 per cento di fallimenti è una statistica. Dietro ci sono comportamenti specifici che tutti i sistemi computer-use condividono.
Leggono male lo stato. Un agente clicca una casella già spuntata, e il passo successivo dà per scontato che l'abbia appena attivata. Perdono traccia di quale finestra ha il focus. Ripetono un'azione parzialmente riuscita e raddoppiano l'effetto. E non hanno alcun concetto di irreversibilità, quindi la stessa sicurezza vale per aprire un menu e per premere invio su una mail a quattrocento persone.
Niente in questa uscita affronta la cosa. La mitigazione è architetturale: far girare l'agente in un container, fare uno snapshot prima di ogni passo irreversibile, richiedere conferma umana su una lista definita di azioni, e registrare ogni clic con una cattura di frame così che un fallimento possa essere diagnosticato.
I pesi aperti rendono quell'architettura più economica da costruire, ed è il vero argomento a loro favore. Un'API chiusa ti costringe a fidarti del livello di sicurezza del fornitore. Un checkpoint aperto ti lascia mettere il tuo recinto intorno.
I nove punti tra 9B e 397B dicono qualcosa sui prossimi due anni di questo mercato. I modelli miglioreranno lentamente, e i prodotti si costruiranno intorno al livello che è abbastanza buono a un costo che sta. Se Nano basta al tuo flusso di lavoro oggi, l'ingegneria interessante sta nell'harness che costruisci intorno al modello che hai già.
Articoli correlati
Un foglio di calcolo comunitario di tocchi che spegne la pubblicità negli Android cinesi
Non tocca il sistema, non sblocca niente, non flasha niente. Ribalta solo gli interruttori che i produttori hanno già previsto. Il prezzo è una lista che qualcuno deve continuare a scrivere.
GPT Image 2.6 ha tenuto il prezzo dei token e alzato la fattura
GPT Image 2.6 conserva ogni tariffa per token di 2.5 e costa comunque di più per immagine, perché buona parte del lavoro passa ora nei token di output. Undici giorni dopo il lancio, la struttura dei prezzi dice più della classifica.
Qualcuno ha ricostruito IDM dall'esterno e ha scritto cosa non ha toccato
Una reimplementazione in Rust di Internet Download Manager promette 5 volte la velocità e 86 lingue. Il documento più interessante è il paragrafo che spiega come è stata costruita senza copiare nulla.
Rune è un framework UI per Rust costruito perché un agente possa verificare il proprio lavoro
Rune renderizza headless, esporta il suo albero di elementi e accetta input scriptato, dando a un agente di coding un segnale diffabile che nessuno screenshot può offrire. Il framework è in pre-release e non accetta pull request.