3970 亿的开源模型开始替你操作电脑,90 亿那档只落后九分

NorthCUA 在 11 月 3 日发布,三档开放权重模型,外加驱动它们的执行框架。最亮的数字是 Pro:3970 亿参数的 MoE,在 OSWorld-Verified 上拿 88 分。这个基准是让智能体在一套真实操作系统里完成多步任务,挪文件、切应用、填表、读屏、决定下一步点哪里。
更该被注意的数字是 78.9。那是 Nano,90 亿参数。
模型规模差 44 倍,基准差九分。Mini 在中间,350 亿参数,85 分。在浏览器操作的 WebArena-Verified 上,档位之间的差距同样很窄。
这个基准到底在测什么
OSWorld-Verified 给智能体一个任务和一台虚拟机,然后判终态对不对。它比选择题接近真活,也比真活干净。任务写得清楚,环境干净,没有意外打断。
88 分意味着大约 12% 的任务失败。对一个研究系统这是好成绩,对一个会碰你文件的产品这是坏成绩。八次里错一次,其中有些错是删错东西或点错按钮,没人会把工作笔记本交给它无人值守。
这是这份发布的诚实读法,作者的技术报告也没过度包装。它甚至没把每个对比都给出绝对分数,而是把对闭源模型的结果写成判断句:Pro 在 OSWorld 上超过 Qwen3.8-Max 和 Kimi-K3,Mini 超过 Kimi-K3;在 WebArena 上 Mini 超过 Qwen3.8-Max,Pro 两个都超过。
这些都是作者自己的评测、自己的题集。当成一个主张看,别当成榜位。
怎么训出来的
三块,命名难得地直白。
Experience Flywheel 提供可执行任务,任务来自真实应用使用。要点是任务自带正确答案,因为表格填得对不对可以查。
Harness 把一次长交互撑住:记录决策、把观察喂回去、跨会话校验结果,长度远超一个上下文窗口。所有轨迹在隔离的 E2B 沙箱里采集,这也意味着训练数据可复现,模型从没碰过一台真能弄坏的机器。
Staged Learning 是课程表。先是 grounding 中训,教它按钮和输入框长什么样。然后长程监督微调,喂完整任务轨迹。再是桌面与 Web 的联合强化学习,用 GRPO,最近推理模型涨分背后的同一族方法。
规模是 400 万步以上的 GUI 交互,跨几十个应用。这对 GUI 数据算大,对前沿语言模型背后的文本语料算小,而恰好是这个条件让专用化能赢。
Ultrafast 变体更有意思
NorthCUA-Ultrafast 把直接动作选择和生成配在一起,跑在做过 RL 之前的 Nano 上。通俗说,它跳过推理步骤,用学到的捷径把观察映射成动作,把握不够时再退回思考。
报告说它在匹配成功的 WebArena 任务上平均完成时间快 2.3 倍。同样任务、同样成功,墙钟时间不到一半。
这才是电脑操作智能体的部署难题的形状,而且不是大多数人以为的形状。成功率拿走注意力。延迟决定人会不会真的盯着它干,还是走出房间。一个四分钟、85% 成功的任务是工具。同样的任务压到 100 秒,就是功能。
它还暗示了智能该住在哪里。如果带捷径的 90 亿模型几乎追平想很久的 3970 亿模型,那对一大类桌面任务来说,瓶颈从来不是推理深度。是 grounding 质量和数据覆盖,而这两个更便宜。
为什么开放权重在这里比别处更重要
电脑操作智能体会看到你的屏幕。它抓的每一张截图都可能含客户记录、密码框、未发布产品、内部看板。把这股流发到远端 API 是数据治理决定,对不少组织来说这是一个它们不被允许做的决定。
这才是这次发布真正的市场。医院、银行、政府承包商、制造业想要桌面自动化,又不能把屏幕截图经第三方,现在有三档可选,加上执行框架,加上不收软件许可费。

由此推出的实操建议很无聊也很对。先用 Nano 跑你最高频的三件事:填表、导报表、在两个应用之间搬数据。能跑通,Mini 就能扛生产量,一张数据中心 GPU 就够。Pro 存在的意义是找天花板,如果 Pro 也解决不了你的天花板问题,那问题是任务设计不是模型。
谁都还没解决的那部分
12% 的失败率是一个统计量,背后是电脑操作系统的共性行为。
它们会误读状态。点了一个本来就勾上的复选框,下一步却假设自己刚勾上。它们会丢掉哪个窗口在前台。它们会重试一个已经部分成功的动作,把效果翻倍。它们没有不可逆的概念,所以打开一个菜单和给四百个人群发邮件,置信度一样。
这份发布没有解决其中任何一个。缓解手段是架构性的:把智能体关在容器里,每个不可逆步骤前打快照,对一份定义好的动作清单要求人工确认,每次点击都连同截帧记日志,失败才能复盘。
开放权重让这套架构更便宜,这才是它们的真正理由。闭源 API 逼你信任厂商的安全层。开放权重让你自己围栅栏。
90 亿和 3970 亿之间的九分,说明了这个市场未来两年的事。模型会慢慢变好,产品会围绕「哪一档够用、成本合适」来搭。如果今天 Nano 就够你的流程用,值得做的工程不在等更好的模型,在你围着手上这个模型搭的那套框架。
相关文章
一份社区维护的点击表,关掉了国产 Android 系统里的广告
它不动系统,不解锁,不刷机,只把厂商本来就留出来的开关一个个拨过去。代价是这份名单得一直有人续写。
GPT Image 2.6 守住 token 价格,账单却涨了
GPT Image 2.6 沿用了 2.5 的全部 token 费率,单张图却更贵,因为更多的活现在花在输出 token 上。上线十一天,定价结构说的比排行榜更多。
有人从外部重建了 IDM,并写下了自己没有碰过的部分
Mister Download Manager 用 Rust 重写了 Internet Download Manager 的下载流程,声称速度快 5 倍、支持 86 种语言。更值得细读的,是它解释如何在不复制任何代码的前提下完成重写的那一段。
Rune 是一个 Rust UI 框架,设计初衷是让 agent 能检查自己的工作
Rune 能无头渲染、导出元素树并接受脚本化输入,这让编码 agent 拿到截图永远给不了的东西,一个可 diff 的信号。这个框架仍是预发布版本,不接受 pull request。