AI и дата-центры
NorthCUA: открытые агенты для компьютера обогнали Qwen3.8-Max и Kimi-K3
Публикация:
Beipo AI открыла веса трёх моделей NorthCUA, которые управляют компьютером через экран и приложения. Старшая модель набирает 88.6% в тесте OSWorld-Verified и обходит закрытые флагманы, а младшая модель на 9 млрд параметров самая компактная в линейке.

Китайская Beipo AI выпустила семейство NorthCUA: три модели, которые работают за компьютером сами. Агент смотрит на экран, находит кнопки и поля, кликает, печатает и доводит задачу в приложении до конца. Веса всех трёх моделей открыты по лицензии Apache 2.0, а код системы обучения и тестовый харнесс лежат на GitHub. Такого агента можно запустить у себя и проверить его на своих задачах, а не верить рекламным цифрам на слово.
Модели различаются размером: Nano на 9 млрд параметров, Mini на 35 млрд и Pro на 397 млрд, все на базе Qwen3.5. Учит их система Experience Flywheel: агент выполняет задания в десктопе и в вебе, система записывает удачные решения и проверяет результат, а затем доучивает модель на проверенных траекториях. По данным отчёта, корпус обучения собрал больше ста тысяч траекторий и больше четырёх миллионов шагов взаимодействия с интерфейсом.
Главный замер в отчёте это OSWorld-Verified: 361 задание, на каждое до 100 шагов. Pro набирает 88.6%, Mini 85.3%, а Nano 78.9%. Для сравнения: Qwen3.8-Max показывает 86.1%, а Kimi-K3 84.8%. На WebArena-Verified Pro набирает 73.9%. В точности наведения на элементы интерфейса Pro тоже лидирует: 93.3% на ScreenSpot-Pro и 91.0% на OSWorld-G. Все цифры из технического отчёта команды; независимой перепроверки результатов пока нет.
Ограничения честные: даже у Pro каждое девятое задание в OSWorld-Verified не доводится до конца, а длинные сценарии OSWorld 2.0 из 108 заданий старшая модель проходит только на 30.6%. Pro на 397 млрд параметров требует серверного железа, а Nano на 9 млрд самая компактная модель линейки. Похожую историю на прошлой неделе показала и Nous Arete: дообученная открытая модель заметно обогнала базовую на тестах общего мышления.