Um modelo aberto de 397B agora comanda a sua área de trabalho. O de 9B está só nove pontos atrás.

A NorthCUA foi lançada em 3 de novembro como um conjunto de três modelos de pesos abertos e o harness que os executa. O número de manchete é o Pro, um sistema mixture-of-experts de 397B parâmetros que marca 88 no OSWorld-Verified, um benchmark em que um agente precisa completar tarefas de várias etapas dentro de um sistema operacional real: mover arquivos, trocar de aplicativo, preencher formulários, ler uma tela e decidir onde clicar em seguida.
O número que deveria receber mais atenção é 78.9. É o Nano, com 9B parâmetros.
Nove pontos de diferença no benchmark para uma diferença de 44 vezes no tamanho do modelo. O Mini fica no meio, com 35B e 85 pontos. No WebArena-Verified, o benchmark de navegação em navegador, a variação é igualmente estreita.
O que o benchmark realmente mede
O OSWorld-Verified dá uma tarefa e uma máquina virtual a um agente e avalia se o estado final corresponde. Está mais perto do trabalho real do que um teste de múltipla escolha, e mais longe do trabalho real do que parece. As tarefas são bem especificadas, o ambiente é limpo, e nada inesperado interrompe.
Uma pontuação de 88 significa que mais ou menos 12 por cento das tarefas falham. É um bom resultado para um sistema de pesquisa e um resultado ruim para um produto que mexe nos seus arquivos. Se um agente erra uma tarefa em oito, e algumas dessas falhas envolvem apagar a coisa errada ou clicar no botão errado, ninguém vai deixá-lo sozinho num notebook de trabalho.
Essa é a leitura honesta do lançamento, e é preciso dar crédito aos autores: o relatório técnico não exagera. Ele também não publica pontuações absolutas para todas as comparações, enquadrando os resultados dos modelos fechados como veredictos em vez de tabelas: o Pro vence o Qwen3.8-Max e o Kimi-K3 no OSWorld, o Mini vence o Kimi-K3, e no WebArena o Mini vence o Qwen3.8-Max enquanto o Pro vence os dois.
Essas são as avaliações dos próprios autores no próprio conjunto de tarefas. Trate como uma afirmação, não como posição em ranking.
Como foi treinado
Três peças, e a nomenclatura é incomumente literal.
O Experience Flywheel fornece tarefas executáveis tiradas do uso real de aplicativos. O ponto é que as tarefas vêm com ground truth, porque dá para verificar se a planilha foi preenchida corretamente.
O Harness mantém uma interação longa coesa: registra decisões, devolve observações e valida resultados em sessões que duram muito mais que uma única janela de contexto. Cada trajetória foi coletada num sandbox E2B isolado, o que também significa que os dados de treino são reproduzíveis e que o modelo nunca viu uma máquina real que pudesse quebrar.
Staged Learning é o cronograma. Começa com mid-training de grounding, ensinando ao modelo a cara de um botão e de um campo de texto. Depois fine-tuning supervisionado de horizonte longo em trajetórias completas. Depois aprendizado por reforço conjunto em desktop e web com Group-Relative Policy Optimization, a mesma família de métodos por trás da maior parte dos ganhos recentes de modelos de raciocínio.
A escala é de mais de 4 milhões de passos de interação GUI em dezenas de aplicativos. É muito para dados de GUI e pouco comparado aos corpus de texto por trás de um modelo de linguagem de fronteira, que é exatamente a condição em que a especialização vence.
A variante Ultrafast é o artefato mais interessante
O NorthCUA-Ultrafast combina seleção direta de ação com geração, rodando no modelo Nano antes do RL. Em termos simples, pula a etapa de raciocínio e mapeia observação em ação por atalhos aprendidos, voltando ao pensamento quando o atalho não está confiante.
O relatório credita a ele conclusão média 2.3 vezes mais rápida em tarefas WebArena bem-sucedidas e pareadas. Mesmas tarefas, mesmo sucesso, menos da metade do tempo de relógio.
Essa é a forma do problema de implantação para agentes computer-use, e não é a forma que a maioria das pessoas espera. A taxa de sucesso chama a atenção. A latência é o que determina se um humano vai de fato assistir o agente trabalhar ou sair da sala. Uma tarefa que leva quatro minutos e acerta 85 por cento das vezes é uma ferramenta. A mesma tarefa em 100 segundos é um recurso do produto.
Isso também implica algo sobre onde a inteligência precisa morar. Se um modelo 9B com atalhos é quase tão bom quanto um 397B pensando muito, então para uma grande classe de tarefas de desktop o gargalo nunca foi a profundidade de raciocínio. Era a qualidade do grounding e a cobertura de dados, e essas são mais baratas de melhorar.
Por que pesos abertos importam mais aqui do que em outros lugares
Um agente computer-use vê a sua tela. Cada captura que ele faz pode conter um registro de cliente, um campo de senha, um produto não anunciado, um painel interno. Mandar esse fluxo para uma API remota é uma decisão de governança de dados. Para muitas organizações, é uma decisão que elas não têm permissão de tomar.
É nessa restrição de governança, mais do que na capacidade bruta, que este lançamento se vende. Hospitais, bancos, fornecedores do governo e indústrias que querem automação de desktop e não podem rotear capturas de tela por terceiros agora têm três tamanhos para escolher, mais o harness, mais nenhuma taxa de licença de software.
A orientação prática que vem disso é chata e correta. Comece com o Nano nas três tarefas que você mais faz: preencher um formulário, exportar um relatório, mover dados entre dois aplicativos. Se ele der conta, o Mini atende volume de produção numa única GPU de data center. O Pro existe para encontrar o teto, e se o seu problema de teto não é resolvido pelo Pro, o problema é o seu desenho de tarefa, não o modelo.
Três tamanhos é uma decisão de preço
Lançar 9B, 35B e 397B numa só vez é um jeito de deixar os clientes se organizarem sozinhos.

9B parâmetros cabem num notebook ou num mini PC. É a versão que uma pequena empresa num país com egress de nuvem caro consegue rodar, e é a versão que torna o lançamento relevante fora dos poucos mercados de sempre. 35B cabem numa GPU de data center, o nível em que a maioria das implantações de produção vai cair. 397B existem para estabelecer que a arquitetura escala, e para ser citado no abstract.
O relatório no estilo arXiv faz algo parecido com a avaliação. Compara com modelos fechados de trilhão de parâmetros em vez de pares abertos, porque a comparação que é citada é aquela em que você ganha. Um leitor que quer saber como o Nano se sai contra um modelo vision-language 32B bem ajustado não vai encontrar aqui.
Nada disso torna os números errados. Torna-os estreitos, e o movimento útil para um comprador é ignorar a manchete e testar o nível que ele pode pagar.
A parte que ninguém resolveu
Doze por cento de falha é uma estatística. Atrás dela estão comportamentos específicos que todos os sistemas computer-use compartilham.
Eles leem mal o estado. Um agente clica numa caixa que já estava marcada, e o passo seguinte assume que ele acabou de ligá-la. Perdem a noção de qual janela tem o foco. Repetem uma ação que deu certo em parte e dobram o efeito. E não têm conceito de irreversibilidade, então a mesma confiança vale para abrir um menu e para apertar enviar num e-mail para quatrocentas pessoas.
Nada neste lançamento trata disso. A mitigação é arquitetural: rodar o agente num contêiner, tirar um snapshot antes de cada passo irreversível, exigir confirmação humana numa lista definida de ações, e registrar cada clique com captura de frame para que uma falha possa ser diagnosticada.
Pesos abertos tornam essa arquitetura mais barata de construir, e esse é o argumento real a favor deles. Uma API fechada obriga você a confiar na camada de segurança do fornecedor. Um checkpoint aberto deixa você colocar a sua própria cerca em volta.
Os nove pontos entre 9B e 397B dizem algo sobre os próximos dois anos deste mercado. Os modelos vão melhorar devagar, e os produtos serão construídos em torno do nível que for bom o bastante a um custo que caiba. Se o Nano já é bom o bastante para o seu fluxo hoje, a engenharia interessante está no harness que você constrói em volta do modelo que já tem.
Artigos relacionados
Uma planilha comunitária de toques que desliga os anúncios dos Android chineses
Não mexe no sistema, não desbloqueia nada, não faz flash de nada. Só vira os botões que os fabricantes já deixaram à mostra. O preço é uma lista que alguém precisa continuar escrevendo.
GPT Image 2.6 manteve o preço por token e elevou a fatura
O GPT Image 2.6 mantém cada tarifa por token do 2.5 e mesmo assim custa mais por imagem, porque boa parte do trabalho acontece agora nos tokens de saída. Onze dias após o lançamento, a estrutura de preços diz mais que o ranking.
Alguém reconstruiu o IDM por fora e anotou o que não tocou
Uma reimplementação em Rust do Internet Download Manager promete 5 vezes a velocidade e 86 idiomas. O documento mais interessante é o parágrafo que explica como ela foi feita sem copiar nada.
Rune é um framework de UI em Rust feito para que um agente possa verificar o próprio trabalho
Rune renderiza sem interface, despeja sua árvore de elementos e aceita entrada roteirizada, o que dá a um agente de código um sinal diffável que um screenshot nunca oferece. O framework está em pré-lançamento e não aceita pull requests.