总分很高，全对很少，这中间差了什么
9 月 21 日前后有两篇计算机使用智能体（Computer Use Agent）方向的论文前后脚放出，放在一起读刚好构成一枚硬币的两面。头一篇叫 RecreationWorld（arXiv 2609.22000），它做的事听起来朴素：给智能体一个正在运行的应用程序当参考答案，让它在没有预设工作流的前提下自己摸索行为逻辑，然后从零实现一个自己的版本。跨 Ubuntu、macOS、Windows、Android 和 Web 五个平台，一共 250 个任务。
评分设计是这篇论文真正值钱的地方。参考应用会被实际执行，用来生成隐藏的行为测试——界面长什么样、点下去发生什么、计算结果对不对，都由运行中的参考程序说了算，答案卷不由人手写。每条测试先在参考应用上验证、再经人工复核，然后整套题才冻结。这样得出的两个数字放在一起非常刺眼：GPT-6 Astra 拿下 58.1% 的总评成绩（按部分给分累计），但能通过任务全部程序化测试的只有 2.8%。中间那 55 个百分点的落差，量的是同一件事的两面——智能体把界面抄得像不像，和做出来的东西到底能不能用。
落差从哪来：抄得像不等于跑得通
论文的定性分析把落差拆开了：静态的界面结构被复制得最可靠，交互行为次之，需要计算和输出的部分最差。智能体生成的应用普遍比参考版本更小、更「一坨」——功能堆在一起而不是分层组织。换句话说，现有基准里常见的部分给分聚合指标，很大程度上在度量智能体复刻了多大面积的可见表面，而不是行为是否正确。RecreationWorld 有个值得同行学走的细节：它把总分和全对率并排公布，落差本身成了一个可以报告的量。这是对过去一个季度里「聚合分数被简单子项主导」这类批评给出的最响亮回应。
轨迹数据还有第二重价值。用 RecreationWorld 的轨迹训练出来的模型，在五个分布外的编码与混合计算机使用基准上都有提升，而且出现了一个比分数更有意思的行为变化：这些模型会更频繁地主动验证自己渲染出来的输出。分数涨是结果，「开始自查」这个习惯的养成，对生产环境来说可能比涨的那几分更值钱。
硬币的另一面：MintAct 用小模型统一三项能力
同日放出的 MintAct（arXiv 2609.22083）走的是成本这条线。过去做计算机使用智能体，常见配置是三个专家模型各管一摊：UI 定位一个、跨端导航一个、视觉工具调用一个。MintAct 用同一族视觉语言模型——2B、4B、8B 三个尺寸——把三项能力统一在一个模型里，各域成绩与对应专家模型持平，在 OSWorld-Verified 上拿到 48.9，与同尺寸专门模型相当。
这篇论文的实质在基础设施：数百个并发环境实例横跨异构后端，同时服务轨迹采集与在线强化学习，异步训练框架在环境反馈噪声和离线策略漂移下保持稳定。作者的经验之谈是把跨域训练配比做成显式控制的旋钮——每个 batch 从哪个域来、由谁决定，这个「路由问题」才是买来统一化能力的那个参数，而不只是损失函数的形状。
两篇论文在同一天用同一个结构性思路落子：一个把运行中的成品当评估的答案卷，一个把成品当训练环境的素材。对做智能体评测和训练的团队，这份共同的判断或许比各自的数字更值得关注——能跑起来的制品本身就是现成的评估器，构建评估里最贵的部分是想明白这一点。两篇论文的完整作者名单、算力成本与更多消融细节，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。