计算机操作（computer-use）智能体的门槛，过去两年被反复抬高：要么是大厂的全家桶方案，要么是堆卡的从头训练。本周韩国生成式 AI 公司 Xenon 放出来的开源模型 Hunmin VLM 397B，示范了另一条路——不自己造底座，把「屏幕操作」能力当成可以移植、可以特化的东西来对待。
成绩单：榜单第二，代价是 8 张卡
按首尔经济日报的报道与随模型发布的方法论文档：Hunmin VLM 397B 以 Qwen3.5-397B-A17B 为底座（397B 总参数、17B 激活的 MoE 结构），在屏幕元素定位基准 ScreenSpot-Pro 上拿到 75.6 分，在 Hugging Face 官方榜单 48 个上榜模型中排第二，也是榜上出自韩国公司的作品；在 Linux 任务基准 OSWorld 上得分 70.5，比底座高出 22.3 分。方法论文档还写了在 Windows 桌面虚拟机里按 153 个任务、50 轮上限做执行式评测的设定。支撑这一切的后训练算力，只有 8 张 NVIDIA B200。
管线拆解：能力是可以「搬」的
整条管线最有意思的是起点。Xenon 没有从视觉指令微调开始摸索，而是先算出已有的计算机操作模型 Qwen-CUA 与其同源底座之间的参数差，用截断 SVD 把这个差值近似成低秩分量，做成 LoRA 式适配器合并进自己的底座——相当于把别人的 computer-use 能力做了次低秩「移植」。此后才是常规动作：按官方同款方案做 FP8 细粒度分块量化，用 ScaleCUA 数据做监督微调，再用 GRPO 做带 LoRA 的智能体强化学习，环境取自 ScaleCUA 与 CUA-Gym，训练软件栈是 MS-Swift、Ray、Megatron-Core 与 vLLM。训练完成后合并回 BF16 精度发布。
这条路线的边界
杠杆路线当然不是没有代价。低秩移植的前提是存在一个能力相近、架构同源的教师模型——这个位置现在恰好有人站着，等开源生态里没有现成教师可用时，这条路就走不通了；韩语通用能力评测在方法论文档里占了不小篇幅，说明通用与专化之间的平衡仍要花力气维护；榜单成绩基于官方口径与自报评测设定，独立复测仍有待社区完成。
分层生态正在成形
但趋势信号是清楚的：GUI 智能体正在从「少数玩家的全栈游戏」变成「开源底座 + 特化后训练」的分层生态。此前蚂蚁开源的 UI-Venus-2 走的也是这条路，区别只在杠杆的长短与着力点。对算力有限的团队来说，比从头训练更值得琢磨的问题是三个选择：底座选谁、教师选谁、移植哪一层。首尔经济日报把这条消息放进「韩国 AI 软件走向全球」的叙事里讲——榜单上多一支非中美队伍不是坏事，基准成绩的水分也会被挤得更干。
想用上它，先想清楚三件事
对考虑把这类开源模型接进生产流程的团队，这篇发布还有三点务实提醒。其一，397B 总参、17B 激活的 MoE 结构对推理侧不是小负担，端侧跑不动，部署要么自备多卡要么托管；其二，ScreenSpot-Pro 考的是屏幕元素定位这一层能力，真实业务链路里的多步任务成功率还取决于执行框架与容错设计，模型分高不等于流程通；其三，评测环境设定（分辨率、系统区域、任务池）与自家场景差异越大，分数参考价值越低，拿自己的真实任务重测一遍永远是值得的。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。