Computer-Using Agent
Powering Operator with Computer-Using Agent, a universal interface for AI to interact with the digital world.
Avui hem presentat una vista prèvia de recerca d'Operator(s'obre en una finestra nova), un agent que pot anar al web per fer tasques per a tu. Darrere d'Operator hi ha Computer-Using Agent (CUA), un model que combina les capacitats de visió de GPT‑4o amb raonament avançat mitjançant aprenentatge per reforç. CUA està entrenat per interactuar amb interfícies gràfiques d'usuari (GUI) —els botons, menús i camps de text que les persones veuen en una pantalla— igual que ho fan els humans. Això li dona la flexibilitat de fer tasques digitals sense utilitzar API específiques del sistema operatiu o del web.
CUA es basa en anys de recerca fonamental a la intersecció de la comprensió multimodal i el raonament. Combinant una percepció avançada de les GUI amb resolució estructurada de problemes, pot descompondre les tasques en plans de diversos passos i autocorregir-se de manera adaptativa quan sorgeixen reptes. Aquesta capacitat marca el següent pas en el desenvolupament de la IA, permetent que els models facin servir les mateixes eines en què els humans confien diàriament i obrint la porta a una gran varietat de noves aplicacions.
Tot i que CUA encara és primerenc i té limitacions, estableix nous resultats de referència d'estat de l'art, assolint una taxa d'èxit del 38,1% a OSWorld per a tasques d'ús complet d'ordinador, i del 58,1% a WebArena i del 87% a WebVoyager per a tasques basades en el web. Aquests resultats destaquen la capacitat de CUA de navegar i operar en entorns diversos fent servir un únic espai general d'acció.
Hem desenvolupat CUA amb la seguretat com a màxima prioritat per abordar els reptes que planteja que un agent tingui accés al món digital, tal com es detalla a la nostra fitxa del model del sistema Operator. D'acord amb la nostra estratègia de desplegament iteratiu, estem llançant CUA mitjançant una vista prèvia de recerca d'Operator a operator.chatgpt.com(s'obre en una finestra nova) per als usuaris del nivell Pro(s'obre en una finestra nova) dels EUA com a punt de partida. Recollint comentaris del món real, podem perfeccionar les mesures de seguretat i millorar contínuament mentre ens preparem per a un futur amb un ús creixent d'agents digitals.
CUA processes raw pixel data to understand what’s happening on the screen and uses a virtual mouse and keyboard to complete actions. It can navigate multi-step tasks, handle errors, and adapt to unexpected changes. This enables CUA to act in a wide range of digital environments, performing tasks like filling out forms and navigating websites without needing specialized APIs.
Given a user’s instruction, CUA operates through an iterative loop that integrates perception, reasoning, and action:
- Perception: Screenshots from the computer are added to the model’s context, providing a visual snapshot of the computer's current state.
- Reasoning: CUA reasons through the next steps using chain-of-thought, taking into consideration current and past screenshots and actions. This inner monologue improves task performance by enabling the model to evaluate its observations, track intermediate steps, and adapt dynamically.
- Action: It performs the actions—clicking, scrolling, or typing—until it decides that the task is completed or user input is needed. While it handles most steps automatically, CUA seeks user confirmation for sensitive actions, such as entering login details or responding to CAPTCHA forms.
CUA establishes a new state-of-the-art in both computer use and browser use benchmarks by using the same universal interface of screen, mouse, and keyboard.
| Punt de referència | Punt de referència | Ús de l'ordinador (interfície universal) | Agents de navegació web | Humà | |
|---|---|---|---|---|---|
| OpenAI CUA | SOTA anterior | SOTA anterior | |||
| Ús de l'ordinador | OSWorld | 38,1 % | 22,0 % | - | 72,4 % |
| Ús del navegador | WebArena | 58,1 % | 36,2 % | 57,1 % | 78,2 % |
| WebVoyager | 87,0 % | 56,0 % | 87,0 % | - | |
WebArena(s'obre en una finestra nova) and WebVoyager(s'obre en una finestra nova) are designed to evaluate the performance of web browsing agents in completing real-world tasks using browsers. WebArena utilizes self-hosted open-source websites offline to imitate real-world scenarios in e-commerce, online store content management (CMS), social forum platforms, and more. WebVoyager tests the model’s performance on online live websites like Amazon, GitHub, and Google Maps.
In these benchmarks, CUA sets a new standard using the same universal interface that perceives the browser screen as pixels and takes action through mouse and keyboard. CUA achieved a 58.1% success rate on WebArena and an 87% success rate on WebVoyager for web-based tasks. While CUA achieves a high success rate on WebVoyager, where most tasks are relatively simple, CUA still needs more improvements to close the gap with human performance on more complex benchmarks like WebArena.
OSWorld(s'obre en una finestra nova) is a benchmark that evaluates models’ ability to control full operating systems like Ubuntu, Windows, and macOS. In this benchmark, CUA achieves 38.1% success rate. We observed test-time scaling, meaning CUA’s performance improves when more steps are allowed. The figure below compares CUA’s performance with previous state-of-the-arts with varying maximum allowed steps. Human performance on this benchmark is 72.4%, so there is still significant room for improvement.
The following visualizations show examples of CUA navigating a variety of standardized OSWorld tasks.
We’re making CUA available through a research preview of Operator, an agent that can go to the web to perform tasks for you. Operator is available to Pro(s'obre en una finestra nova) users in the U.S. at operator.chatgpt.com(s'obre en una finestra nova). This research preview is an opportunity to learn from our users and the broader ecosystem, refining and improving Operator iteratively. As with any early-stage technology, we don’t expect CUA to perform reliably in all scenarios just yet. However, it has already proven useful in a variety of cases, and we aim to extend that reliability across a wider range of tasks. By releasing CUA in Operator, we hope to gather valuable insights from our users, which will guide us in refining its capabilities and expanding its applications.
In the table below, we present CUA’s performance in Operator on a handful of trials given a prompt to illustrate its known strengths and weaknesses.
| Categoria | Indicació | Èxit / intents | Nota |
|---|---|---|---|
| Interaccionar amb diversos components de la IU per dur a terme tasques | Torn 1: Cerca a Britannica una vista de mapa detallada dels hàbitats dels ossos Torn 2: Genial! Ara, consulta els enllaços de l’os negre, l’os bru i l’os polar i proporciona una visió general concisa de les seves característiques físiques, concretament de les seves diferències. Ah, i desa els enllaços per a mi perquè hi pugui accedir ràpidament. | 10 / 10 | CUA pot interactuar amb diversos components de la IU per cercar, ordenar i filtrar resultats per trobar la informació que volen els usuaris. La fiabilitat varia segons els diferents llocs web i les IU. |
| Vull un d’aquests acords objectiu. Pots comprovar si tenen alguna oferta en refrescos prebiòtics poppi? Si és el cas, vull la llauna de 12fl oz de síndria. Digues-me que inclou l'oferta i si és sense gluten. | 9 / 10 | ||
| I am planning to shift to Seattle and I want you to search Redfin for a townhouse with at least 3 bedrooms, 2 bathrooms, and an energy-efficient design (e.g., solar panels or LEED-certified). My budget is between $600,000 - $800,000 and it should ideally be close to 1500 sq ft. | 3 / 10 | ||
| Tasques que es poden dur a terme mitjançant interaccions repetides i senzilles amb la IU | Crea un projecte nou a Todoist titulat "Compra de queviures del cap de setmana". Afegeix la llista de la compra següent amb productes: Plàtans (6 unitats) Alvocats (2 de madurs) Espinacs tendres (1 bossa) Llet sencera (3,8 litres) Formatge cheddar (bloc de 225 g) Xips de patata (amb sal, mida familiar) Xocolata negra (70 % cacau, 2 barretes) | 10 / 10 | CUA pot repetir de manera fiable una interacció senzilla amb la IU diverses vegades per automatitzar tasques senzilles, però feixugues, per als usuaris. |
| Cerca a Spotify les cançons més populars dels EUA dels anys 90 i crea una llista de reproducció amb almenys 10 pistes. | 10 / 10 | ||
| Tasques en què CUA mostra una taxa d'èxit alta només si les indicacions inclouen pistes detallades sobre com fer servir el lloc web. | Visita tagvenue.com i busca una sala de concerts amb capacitat per a 150 persones a Londres. La necessito pel 22 de febrer de 2025 durant tot el dia, de les nou del matí a les dotze de la nit, només assegura’t que sigui per sota de 90 £ per hora. Ah, podries comprovar la secció de filtres per trobar els filtres adequats i assegurar-te que hi hagi aparcament i que tot sigui accessible per a cadires de rodes? | 8 / 10 | Fins i tot per a la mateixa tasca, la fiabilitat de CUA pot canviar segons com demanem que es dugui a terme la tasca. En aquest cas, podem millorar la fiabilitat proporcionant detalls sobre la data (per exemple, de les 9 del matí a les 12 de la nit en lloc de tot el dia a partir de les 9 del matí) i oferint pistes sobre quina interfície d'usuari s'ha d'utilitzar per trobar resultats (per exemple, comprova la secció de filtres…). |
| Visita tagvenue.com i busca una sala de concerts amb capacitat per a 150 persones a Londres. La necessito pel 22 de febrer de 2025 durant tot el dia, de les nou del matí a les dotze de la nit, només assegura’t que sigui per sota de 90 £ per hora. Ah, assegura't que hi hagi aparcament i que tot sigui accessible per a cadires de rodes. | 3 / 10 | ||
| Dificultats per utilitzar una interfície d'usuari desconeguda i per editar text | Utilitza html5editor i introdueix el text següent a la banda esquerra, després edita'l seguint les meves instruccions i dona'm una captura de pantalla de tot plegat quan hagis acabat. El text és: Hola món! Aquest és el meu primer text. Necessito veure com quedaria quan es programi amb HTML. Algunes parts haurien de ser vermelles. Algunes en negreta. Algunes en cursiva. Algunes subratllades. Fins que la meva lliçó estigui completa i passem a l'altra banda. ... Hola a tothom! s'hauria d'haver aplicat l'encapçalament 2 La frase que hi ha a sota hauria de ser un text de paràgraf normal La frase que esmenta el vermell hauria de ser text normal i vermell La frase que esmenta la negreta hauria de ser text normal en negreta La frase que esmenta la cursiva hauria d'anar en cursiva La frase final hauria d'estar alineada a la dreta en lloc de l'habitual esquerra | 4 / 10 | Quan CUA ha d'interactuar amb les IU amb les quals no ha interactuat gaire durant l'entrenament, li costa esbrinar com utilitzar adequadament la IU proporcionada. Sovint dona com a resultat molts intents i errors i en accions ineficients. CUA no és precís en l'edició de text. Sovint comet molts errors durant el procés o proporciona resultats amb errors. |
Because CUA is one of our first agentic products with an ability to directly take actions in a browser, it brings new risks and challenges to address. As we prepared for deployment of Operator, we did extensive safety testing and implemented mitigations across three major classes of safety risks: misuse, model mistakes, and frontier risks. We believe it is important to take a layered approach to safety, so we implemented safeguards across the whole deployment context: the CUA model itself, the Operator system, and post-deployment processes. The aim is to have mitigations that stack, with each layer incrementally reducing the risk profile.
The first category of risk is misuse. In addition to requiring users to comply with our Usage Policies, we have designed the following mitigations to reduce Operator’s risk of harm due to misuse, building off our safety work for GPT‑4o:
- Refusals: The CUA model is trained to refuse many harmful tasks and illegal or regulated activities.
- Blocklist: Operator cannot access websites that we’ve preemptively blocked, such as many gambling sites, adult entertainment, and drug or gun retailers.
- Moderation: User interactions are reviewed in real-time by automated safety checkers that are designed to ensure compliance with Usage Policies and have the ability to issue warnings or blocks for prohibited activities.
- Offline detection: We’ve also developed automated detection and human review pipelines to identify prohibited usage in priority policy areas, including child safety and deceptive activities, allowing us to enforce our Usage Policies.
The second category of risk is model mistakes, where the CUA model accidentally takes an action that the user didn’t intend, which in turn causes harm to the user or others. Hypothetical mistakes can range in severity, from a typo in an email, to purchasing the wrong item, to permanently deleting an important document. To minimize potential harm, we’ve developed the following mitigations:
- User confirmations: The CUA model is trained to ask for user confirmation before finalizing tasks with external side effects, for example before submitting an order, sending an email, etc., so that the user can double-check the model’s work before it becomes permanent.
- Limitations on tasks: For now, the CUA model will decline to help with certain higher-risk tasks, like banking transactions and tasks that require sensitive decision-making.
- Watch mode: On particularly sensitive websites, such as email, Operator requires active user supervision, ensuring users can directly catch and address any potential mistakes the model might make.
One particularly important category of model mistakes is adversarial attacks on websites that cause the CUA model to take unintended actions, through prompt injections, jailbreaks, and phishing attempts. In addition to the aforementioned mitigations against model mistakes, we developed several additional layers of defense to protect against these risks:
- Cautious navigation: The CUA model is designed to identify and ignore prompt injections on websites, recognizing all but one case from an early internal red-teaming session.
- Monitoring: In Operator, we’ve implemented an additional model to monitor and pause execution if it detects suspicious content on the screen.
- Detection pipeline: We’re applying both automated detection and human review pipelines to identify suspicious access patterns that can be flagged and rapidly added to the monitor (in a matter of hours).
Finally, we evaluated the CUA model against frontier risks outlined in our Preparedness Framework(s'obre en una finestra nova), including scenarios involving autonomous replication and biorisk tooling. These assessments showed no incremental risk on top of GPT‑4o.
For those interested in exploring the evaluations and safeguards in more detail, we encourage you to review the Operator System Card, a living document that provides transparency into our safety approach and ongoing improvements.
As many of Operator’s capabilities are new, so are the risks and mitigation approaches we’ve implemented. While we have aimed for state-of-the-art, diverse and complementary mitigations, we expect these risks and our approach to evolve as we learn more. We look forward to using the research preview period as an opportunity to gather user feedback, refine our safeguards, and enhance agentic safety.
CUA builds on years of research advancements in multimodality, reasoning and safety. We have made significant progress in deep reasoning through the o-model series, vision capabilities through GPT‑4o, and new techniques to improve robustness through reinforcement learning and instruction hierarchy. The next challenge space we plan to explore is expanding the action space of agents. The flexibility offered by a universal interface addresses this challenge, enabling an agent that can navigate any software tool designed for humans. By moving beyond specialized agent-friendly APIs, CUA can adapt to whatever computer environment is available—truly addressing the “long tail” of digital use cases that remain out of reach for most AI models.
We're also working to make CUA available in the API(s'obre en una finestra nova), so developers can use it to build their own computer-using agents. As we continue to iterate on CUA, we look forward to seeing the different use cases the community will discover. We plan to use the real-world feedback we gather from this early preview to continuously refine CUA’s capabilities and safety mitigations to safely advance our mission of distributing the benefits of AI to everyone.
Autors
Referències
Citacions
Citeu OpenAI i feu servir el següent BibTeX per a la citació: http://cdn.openai.com/cua/cua2025.bib(s'obre en una finestra nova)