随着生成式人工智能的飞速发展，AI 代理正从单纯的文本交互向具备复杂操作能力的“计算机使用代理”演进。这类代理能够像人类一样在操作系统界面中点击、输入、浏览网页甚至编写代码。然而，尽管技术前景广阔，训练和基准测试这些代理却面临着巨大的挑战。近日，由加州大学伯克利分校（UC Berkeley）主导的研究团队发布了一款名为 CUA-Lite 的新开源平台，旨在解决当前计算机使用代理开发中的碎片化与资源占用过高的问题。
长期以来，开发者和研究人员在训练计算机使用代理时，往往受困于工具链的割裂。正如该团队所指出的，一个完善的代理训练系统需要四个核心要素：代理本身、运行环境、交互轨迹数据以及一个统一的评估与训练框架。遗憾的是，在目前的行业生态中，这四样东西往往以互不兼容的格式分发，导致开发者需要花费大量时间在数据格式转换和环境配置上，而非专注于算法本身的优化。
CUA-Lite 的核心突破在于它提供了一个统一的架构。该平台将沙箱环境、数据存储、评估指标和强化学习（RL）训练流程整合在了一个统一的动作空间和数据架构之下。这意味着开发者不再需要处理不同工具间的接口差异，可以更直观地定义代理的“动作”并获取反馈。这种标准化的做法极大地降低了开发门槛，使得学术研究和工业应用能够在一个统一的框架内进行。
除了架构上的统一，CUA-Lite 在资源效率方面也做出了显著改进。在以往的同类系统中，如 OSWorld，为了模拟真实的桌面环境，通常需要为每个任务启动一个独立的虚拟机，这往往导致巨大的磁盘占用，单个任务的环境可能高达 4.1GB。而 CUA-Lite 创新性地采用了轻量级的 Docker 容器来替代重型虚拟机，将单个任务环境的体积压缩至仅 0.9GB。这一改进不仅大幅降低了硬件门槛，让研究人员能够在普通笔记本电脑上也能运行复杂的实验，同时也提高了环境的启动速度和灵活性。
从应用场景来看，CUA-Lite 的出现对于自动化测试、UI/UX 设计辅助以及办公自动化等领域具有深远影响。它不仅加速了代理在复杂任务上的迭代速度，还为评估不同模型（如 GPT-4o、Claude 3.5 Sonnet 等）的界面操作能力提供了一个公平、标准化的基准。通过将强化学习与评估流程深度集成，该平台让代理能够通过试错不断优化其操作策略，从而在更接近真实用户的使用场景中表现出色。
总的来说，UC Berkeley 团队推出的 CUA-Lite 是计算机使用代理领域的一次重要基础设施升级。它通过开源的方式，打破了数据孤岛，统一了标准，并显著优化了计算资源的使用效率。随着越来越多的开发者采用这一平台，我们有理由相信，未来我们将见证更多能够真正替代人类完成复杂桌面任务的智能体问世。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/09/05/uc-berkeley-researchers-release-cua-lite-an-open-platform-unifying-sandboxes-data-evaluation-and-rl-for-computer-use-agents/
