这项由卡内基梅隆大学推算机科学学院钻研团队实现的钻研，以预印本大局颁布于2026年6月，论文编号为arXiv:2606.01533，有兴致深刻相识的读者能够通过这个编号在arXiv平台上查问齐全论文。
如果你是一家公司的老板，手边只有一名员工。每天你把一张工作清单交给他，他从第一项做到最后一项，中途不能请同事助忙，也不能回头批改打算。若是这名员工在第三项工作上卡住了，整个流水线就彻底停摆。这正是当前绝大无数电脑操作智能体（Computer Use Agent，简称CUA）的工作方式——它们像一个落寞的员工，接管一个工作，而后重新到尾一步一步地执行，既不分工，也不并行，遇到问题只能原地挣扎。
什么是CUA？单一来说，就是能替身操作电脑图形界面的AI副手——助你在网页上填表、打开利用法式、点击按钮，甚至实现一整套复杂的办公室工作流程。这类工具近几年随着大型说话模型的崛起迅速成熟，GPT-5.4、Claude Opus 4.6等前沿模型在尺度测评中的成就已经超过了通常人类的水平。
然而，卡内基梅隆大学的钻研团队发现了一个底子性的问题：这些能力出多的智能体在设计上依然是"单人活带头"，面对复杂的、必要长功夫陆续工作的工作时，它们很快就会陷入困境。钻研团队因而提出了一个新的思路——**多智能体电脑使用系统**（Multi-Agent Computer Use，简称MACU），让一个"经理"AI两全协调多个"员工"AI同步作战，解决单打独斗难以实现的复杂工作。
第一个弱点是**不足分工**。把"调查五家餐厅的评分并整顿成表格"这类工作交给单一智能体，它必须一家一家地查，查完第一家再查第二家，就像一幼我拿着购物清单在超市里走遍每个货架。若是五家餐厅的信息能够同时网络，理论上效能能够提升五倍，但单一智能体无法同时开五个浏览器、派五个"分身"去做这件事。
第二个弱点是**无法有效回头建改**。真实世界的电脑操作环境高度"部门可观测"——这个说法听起来很学术，其实意思很直白：智能体在某一时刻能看到的信息是有限的，当它实现了某个子工作并关关了相应的页面，那些信息就永远隐没了。后续工作可能刚好必要那些已隐没的信息，但智能体无法回到从前沉新获取。这就像你出门买菜时没有记下超市的促销价值，回到家才发现必要货比三家，但已经没有法子对比了。
第三个弱点是**长工作中的累积失误**。步骤越多，犯错概率越高。单一智能体在长达数十步甚至数百步的工作中，任何一步判断失误都可能导致整体失败，并且它往往没有机造来发现并纠正自己走偏了的方向。
MACU的主题创新在于引入了一种叫做**有向无环图**（Directed Acyclic Graph，DAG）的工作组织结构。听起来复杂，但性质上就是一张"工程进度图"，和构筑工地上的施工打算图千篇一律。
在这张图里，每个节点代表一项子工作，节点之间的箭头代表依赖关系——只有当某个前置工作实现后，下游工作能力起头。打个譬喻，建屋子时必须先打好地基，能力砌墙，砌完墙能力装窗户，但刷内墙和装地板能够同步进行。MACU的"经理"AI（Manager）掌管把一个大工作拆解成这样一张图，而后让多个"员工"AI（Subagent）并行处置图上那些没有前置依赖的节点，也就是"当前能够立刻开工的工作"。
更沉要的是，这张图不是一路头就固定死的。每当一个子工作实现，经理AI会收到来自员工AI的汇报，蕴含文字注明和截图，而后凭据新获得的信息决定是否批改后续打算。它能够增长新的子工作、取缔正本有余的工作、批改某个待执行工作的具体指令，甚至强造终止一个在执行但已经陷入死循环的工作。这种持续调整打算的能力，被钻研团队称为"**持续沉规划**"（Continuous Replanning），是MACU超过传统单一智能体的关键机造之一。
在技术实现上，每个员工AI运行在独立的虚构机（VM）上，彼此相互隔离，就像公司里每个员工都有自己独立的办公桌和电脑。子工作实现后，经理AI会查看该员工虚构机上的文件系统改观，决定哪些新天生的文件值得保留下来，以备后续工作使用。当一个下游子工作必要继承上游工作留下的电脑状态时（好比持续在上一步打开的网页上操作），系统会直接将上游虚构机的快照"克隆"过来，让员工AI从断点处持续工作，而不是沉新起头。
钻研团队在四个分歧的基准测试集上对MACU进行了系统评估，这四个测试集各有侧沉，像是给系统设置了从单一到复杂的四个科场。
第一个科场是**OSWorld**，蕴含369个在Ubuntu系统上执行的桌面工作，涵盖各类原生利用和跨利用工作流。评分方式是法式自动查抄工作是否真正实现，好比查抄文件是否被正确批改、设置是否生效。
第四个科场，也是难度最高的，是**Odysseys**，蕴含200个从真实用户浏览行为中提炼出来的长程网页导航工作。每个工作都有一套细化的评分尺度，不仅纪录工作是否实现，还纪录实现了多大比例的关键要求。这个科场的工作往往必要同时查问多个网站、处置大量信息、做出复杂判断，是最靠近真实工作场景的测试。
在重要尝试中，钻研团队使用**Qwen3.6-27B**模型作为所有员工AI的基础，**Claude Opus 4.6**作为经理AI，同时还测试了用Qwen3.6-27B同时承担经理和员工角色的情况。系统被设置为最多同时运行4个并行员工AI，经理能够对工作图进行最多10次批改（即"沉规划预算"为10）。
在OSWorld上，单一智能体的成功率为43.8%，MACU将其提升到48.5%，提升了4.7个百分点。与此同时，实现每个工作所需的功夫从均匀26.6分钟降低到21.4分钟。这个提升幅度相对和善，原因在于OSWorld的工作大多是针对单个利用的操作，天然适合"一幼我干"，并行化的空间有限。
Online-Mind2Web上的提升同样稳重但不惊艳，成功率从52.2%升至55.6%，增长了3.4个百分点。不外这里出现了一个有趣的反成效：实现功夫反而从18.5分钟增长到33.6分钟。原因在于这些网页工作大多是天然串行的——必须先实现前一步能力进行下一步——并行化助不上什么忙，反而经理AI每次分析汇报、更新打算图都必要额表的功夫，导致整体变慢了。这刚好注明多智能体框架并不是"全能良药"，对于性质上是线性的工作，它的优势会被治理开销所抵消。
真正令人面前一亮的成就呈此刻后两个科场。WebTailBench-v2上，成功率从20.8%跃升至29.5%，增幅8.7个百分点；工作中满足的评分指标比例也从35.9%提升到46.3%。Odysseys上的变动更为戏剧性：成功率从8.5%飙升至34.0%，足足提高了25.5个百分点；满足指标比例从42.1%提升到62.3%；同时工作实现的中位功夫从162分钟缩短到110分钟，速度提升了约1.47倍。这两个科场的工作刚好是那种必要同时查问多个起源、并行网络信息的场景，MACU的并行能力在这里阐扬得淋漓尽致。
关于沉规划预算（即经理AI能够批改工作图的次数上限），钻研团队在一个蕴含36个工作的OSWorld子集上进行了系统测试。当预算为0时（即齐全不允许批改，工作图一旦天生就固定不变），成功率只有25.0%。把预算调到1（允许天生初始工作图，但之后不能再改），成功率仅微微提升到27.8%，改善幅度险些能够忽略不计。一旦预算提升到5，允许在职务执行过程中随时调整打算，成功率跳升到47.2%；预算设为10时，成功率达到58.3%。这组数据明显地注明，"动态调整打算"的能力才是MACU的主题价值地点，而不仅仅是"把工作拆成多个子工作"。把工作图固定死的MACU和真正能持续建改的MACU之间，差距天壤之别。
关于并行智能体数量，钻研团队在Odysseys的"单一"工作子集（45个工作）上进行了测试。当最大并行数为1时（性质上是单一智能体加上了规划框架），中位实现功夫为25.4分钟，成功率53.3%，均匀满足指标比例76.4%。把并行数提升到2，功夫降到13.1分钟，速度提升约1.9倍；提升到4，功夫进一步降到7.9分钟，速度提升约3.2倍，与此同时成功率也提升到60.4%，满足指标比例提升到85.8%�？杉嗟牟⑿心芰Σ唤瞿芗蛹本缍�，还能真正援手实现更多工作，由于并行搜索自身就是一种覆盖更广的战术。
钻研团队还固定员工AI（始终使用Qwen3.5-4B这个较幼的模型），代替分歧的经理AI来丈量经理能力的影响。结论极度明确：经理越聪明，整个系统阐发越好，并且差距相当悬殊。
用没有任何经理的单一智能体作为基准，成功率是25.0%。参与经理后，使用Gemini 3.1 Flash Lite（一个轻量级模型）作为经理，成功率提升到36.1%；使用Kimi K2.6或Qwen3.6-27B作为经理，达到41.7%；Gemini 3.1 Pro Preview同样是41.7%；GPT-5.4达到44.4%；Claude Sonnet 4.6达到52.8%；而Claude Opus 4.6作为经理时，成功率高达58.3%，比没有经理的基准翻了一倍多。
这个尝试有个沉要的寓意：MACU带来的收益不只是由于使用了更强的大模型作为经理而产生的"知识蒸馏"成效，而是由于整个多智能体框架的结构性优势——工作分化、并行执杏注持续沉规划——这些机造自身就创造了价值。钻研团队通过另一组尝试验证了这一点：即便经理和员工都用统一个Qwen3.6-27B模型，MACU相比单一智能体依然有显著提升，注明框架设计自身的贡献无法被单一地综合为"用了更好的模型"。
通过度析现实运行中天生的工作图，钻研团队综合出了几种反复出现的典型结构，就像分歧类型工程项主张尺度施工规划。
最单一的是"**单一链式**"结构：经理天生一个员工工作，员工实现后汇报，经理收到汇报天生最终提要。适合只必要一个智能体挨次执行的工作，好比"把GIMP的主题从暗色切换为亮色"。
更常见的是"**映射-归约**"（Map-Reduce）结构，这个名字来自数据处置领域，但用来理解这里再贴切不外。就像一家超市必要盘点所有货架上的库存，能够先让每个员工掌管一个区域并行盘点（映射阶段），而后汇总所有人的清单（归约阶段）。好比"网络五家香港餐厅的Google地图信息并整顿成表格"，经理睬同时派出五个员工别离查问五家餐厅，等五份信息都回来后再归并整顿。
"**运行时沉试扩大**"结构是MACU动态沉规划能力的典型体现。当初始工作失败或信息不实时，经理睬一时增长新的代替规划节点，就像施工打算里某个供给商断货后紧脊匾备用供给商。好比查问某个特定数字化趋向汇报时，初始搜索失败，经理随即增长几种分歧的搜索变体并行尝试。
还有一种"**沉试链**"结构，适合那些必要反复尝试直到成功的工作，好比某个网页总是加载超时，经理就不休派出新的员工用分歧战术沉试，同时保留所有尝试的纪录以供最终汇总参考。
钻研团队还统计了四个科场上工作图的规模变动情况。在职务起头时，OSWorld工作图均匀有2.3个节点，到工作实现时增长到2.9个节点；Online-Mind2Web从2.1个节点增长到4.3个节点，险些翻倍；WebTailBench从2.3增长到4.2；Odysseys从6.0增长到7.6，且初始图就已经是最大的。必要至少进行一次动态批改的工作比例在各科场也分歧：OSWorld为45.7%，Online-Mind2Web为68.0%，WebTailBench为73.5%，Odysseys为74.5%�Ｄ芄豢吹�，工作越复杂，运行时动态调整打算的必要性越高。
前面提到过，电脑操作是一个"部门可观测"的环境——好多信息一旦错过就再也找不回来了。这是MACU在系统设计上出格着力解决的问题。
钻研团队的解法是：经理AI在每次收到员工汇报时，会将关键信息（文字回复和最近几张截图）纳入自己的"影象"，并将有关信息写入后续工作的指令中。这样，即便原始网页已经关关，后续工作的指令里已经蕴含了所需的具体数字、URL或其他关键细节，员工AI不必要沉新去找就能直接使用。
除此之表，在文件层面，系统会在每个员工工作实现后查抄其虚构机上的文件改观，由经理决定哪些文件值得保留到共享的文件归档池中。下游工作能够通过指定归档名称，在启动时自动将这些文件加载到自己的虚构机里。这就像团队合作时的共享云盘，前一幼我整顿好的文档，后续掌管汇总的人能够直接挪用，不必要沉新整顿。
钻研团队还出格测试了一种叫做"pass@k"的对照战术：让单一智能体独立运行8次，遇到成功就停下来，最后看8次机遇里能成功几多次。这个战术在真实利用中并不现实（由于必要知路哪次成功了能力停，但通常没有人能在旁边实时判断），但对于分析MACU的能力来说是个有意思的参考。
了局显示，在总执行步数一样的情况下（不超过200步），MACU的阐发优于pass@8�；痪浠八�，同样的算力投入下，MACU通过有战术地分配工作和动态调整打算，比盲目沉试八次成效更好。当步数进一步增长到200步以上，两者都趋于安稳，不再有太多改善空间，但MACU在较早的阶段就达到了更高的成功率。
另一个有趣的趋向是"随算力增长的扩大性"：钻研团队绘造了成功率随总执行步数增长的曲线。单一智能体的曲线很快就平展了，增长更多步数带来的收益越来越��；而MACU的曲线则持续上升更长功夫，注明它能更有效地利用额表的推算资源来解决更多工作。这意味着随着未来算力的增长，MACU有可能持续受益，而单一智能体则更快际遇天花板。
从按难度分层的了局来看，MACU对单一和中等难度工作的提升最为显著，对极难工作也有肯定改善。在Odysseys上，单一工作的成功率从22.2%跃升到82.2%，中等难度从11.1%升至46.7%，难题工作从1.8%提升到9.2%，同时满足指标比例从26.5%改善到43.1%。
从工作类型来看，最受益于MACU的是那些天然必要并行信息网络的工作：WebTailBench上的"价值比力"类工作从3.7%提升到33.9%，"航班搜索"类从14.0%提升到34.0%，"复合型工作"从24.0%提升到41.8%。OSWorld上改善最显著的是必要跨利用操作的Ubuntu系统工作（从45.8%升至70.8%），以及LibreOffice全套工具的工作——Writer从47.8%升至60.9%，Calc从34.0%升至46.8%，Impress从40.2%升至50.9%。
相比之下，Online-Mind2Web的中等和难题工作改善有限（别离从50.8%升至51.5%，37.0%升至38.4%），进一步印证了这样一个法规：工作越是天然可拆解、越必要在多个起源之间并行网络信息，MACU的优势就越大；越是线性串行的工作，收益就越幼，治理开销甚至可能牵累整体阐发。
最直接的成本问题是，MACU在推算资源上的亏损弘远于单一智能体。使用Claude Opus 4.6作为经理时，均匀每个OSWorld工作破费0.21美元，每个Odysseys工作破费0.90美元，齐全跑完四个基准测试的API用度计算约651美元。对于性质上是串行的工作（如Online-Mind2Web），MACU不仅没有节俭功夫，还增长了开销，注明在部署前必要仔细评估工作个性是否适合多智能体框架。
其次，整个系统依赖复杂的基础设施：独立的虚构机池、快照克隆机造、文件归档系统、工作图验证逻辑等，这些都增长了工程复杂度。随着规模扩大，若何有效治理这些资源是一个现实挑战。
第三，评估基准自身也有局限——这些测试是在隔离环境中进行的，不涉及真实用户账号、私密文件、登录认证或不成撤销操作。钻研团队明确指出，当前的了局只能注明多智能体协调是一个有价值的钻研方向，距离现实部署到真实用户环境还必要进一步钻研安全机造、用户授权节造微风险防护措施。
说到底，MACU这项钻研做的事件有点像把一支落寞的高手造成了一支分工明确的团队。单独的智能体再严害，在面对"同时查五家餐厅、对比三个网站价值、沉试失败的操作"这类工作时城市力不从心，而一个能矫捷调度多个并行智能体、随时凭据新信息批改作战打算的"经理"AI，却能把同样的推算资源用得更聪明、走得更远。
钻研了局也清澈地回覆了"什么样的工作值得用多智能体"这个问题：工作越复杂、越必要并行信息网络、越长程，MACU的优势越凸起。对于单一线性工作，引入多智能体框架反而是给自己增添麻烦。这种差距性提醒我们，未来实用的AI系统可能必要学会"自我判断"：什么时辰单枪匹马，什么时辰呼唤团队。
当然，从尝试室里的测试成功到真正让多智能体AI助你处置邮件、填报税表、治理日程，中央还有很长的路要走，出格是在安全性和隐衷�；し矫�。钻研团队也坦言，MACU目前的大局不适合直接部署在真实用户环境中，任何现实利用都必要参与严格的权限节造和操作审核机造。对这个领域感兴致的读者，能够通过arXiv编号2606.01533找到齐全论文，以及该团队颁布的代码和交互式可视化工具，亲眼看看那些工作图是怎么在执行过程中动态演变的。
A：通常CUA是单个AI重新到尾串行执行工作，而MACU是由一个"经理"AI协调多个"员工"AI并行工作。经理AI把工作拆成有依赖关系的子工作图，多个员工同时处置无依赖的部门，经理还会凭据实时了局动态调整后续打算，这是两种底子分歧的工作方式。
A：不是。钻研发现，对于天然串行的工作（好比Online-Mind2Web中大无数必要一步接一步实现的网页操作），MACU不仅提升有限，实现功夫反而更长，由于治理开销超过了并行带来的收益。MACU的优势重要体此刻能够并行拆分的复杂长程工作上，好比同时查问多个网站、对比多个起源的信息。
A：重要尝试中，钻研团队用Qwen3.6-27B作为所有员工AI的基础模型，用Claude Opus 4.6作为经理AI。钻研还测试了多种分歧的经理模型，蕴含GPT-5.4、Gemini系劣注Kimi K2.6等，发现经理模型越强，整体系统阐发越好，Opus 4.6的成效最佳。
糖心VLOG该群体在筛选时明确排除了与券商有关联的顾问——理由是其"成本结构复杂"——以及智能投顾平台，认为后者"不适合应对流动性、税务及集中持仓规划等复杂需求"。答：请允许我不只说一个。我会选择第一座，因为那意味着在首届赛事中成为冠军；也会选择第七座，因为它终结了32年的等待；还有第十座，那场我在现场，因为我们逆转了一场原本以为要输掉的比赛。糖心VLOG动漫《mememe》齐全版“场下不断沟通、以身作则。功劳不能全算在我身上，队内大部分球员都是训练狂人，休息日也泡馆加练。全员赛季稳步提升，等到上场机会来临时，所有人都已经整装待发。”而我一直想强调的是，这支球队在困难时刻总能展现出惊人的力量，每次遇到挫折都会重新站起来，而且变得更强。比如在输掉对曼城的决赛之后，第二年我们就赢得了联赛冠军；去年我们在欧冠决赛失利，今年我们又赢得了联赛冠军。这支球队每一年都会挖掘出自己甚至都不知道存在的力量。”
20260607 ? 糖心VLOG都说奚梦瑶是“命好”才嫁入豪门，但仔细看看她父母的背景和二十年的投入，你会发现，这根本不是运气，而是一场精心布局的“养成计划”。 她的底气，早在3岁那年就已经开始积累了。三叶草OZWEEGO3M英伟达CEO黄仁勋表示，三大内存芯片制造商已获准为英伟达AI加速器供应最先进的高带宽产品。这一决定意味着SK海力士、三星电子和美光科技可开始量产并供应HBM4，即用于英伟达AI加速器的最新一代芯片。这三家企业主导着全球计算用存储半导体市场，此前一直在激烈争夺该业务份额。黄仁勋在抵达首尔进行为期数日的访问时告诉记者：“三家供应商均已通过认证。”他补充道：“三家企业都已投产，都在竞相支持Vera Rubin。”Vera Rubin是英伟达最新AI芯片。（新浪财经）
20260607 ? 糖心VLOG“通信基础设施应该去适应算力基础设施，通信应该为算力服务，因为两个网络之间的信息交互是由客观原因造成的，用户和个人智能体是移动的，所以需要分布式算力以及通算之间的信息融合。”沈嘉对记者表示。jrs直播在梅老大大棚杨梅种植基地及其专业合作社里，刘凤分别对杨梅做了抽样检测。一旦检测合格，每一批出库的杨梅就会附带一张“达标合格证”，消费者只要扫描外包装上的二维码，就能查到杨梅产地、种植主体、检测情况等全链条信息，便于追溯。
京公网安备11010202000001号
