Gym-Anything：将任何软件变成代理环境

计算机使用代理有望协助广泛的数字经济活动。然而，当前的研究主要集中在经济价值有限的有限软件集上的短期任务，例如基本的电子商务和操作系统配置任务。一个关键原因是，为复杂软件创建环境需要大量时间和人力，因此无法扩展。为了解决这个问题，我们引入了 Gym-Anything，这是一个用于将任何软件转换为交互式计算机使用环境的框架。我们将环境创建本身构建为多代理任务：编码智能体 编写设置脚本、下载真实数据并配置软件，同时生成正确设置的证据。然后，独立审计代理根据质量检查表验证环境设置的证据。我们使用基于美国 GDP 数据的具有经济价值的职业分类法，将此管道应用于 200 个具有广泛职业覆盖范围的软件应用程序。结果就是 CUA-World，它是超过 10K 个长期任务的集合，涵盖从医学科学和天文学到工程和企业系统的各个领域，每个任务都配置了真实的数据以及训练和测试分割。 CUA-World 还包括 CUA-World-Long，这是一个具有挑战性的长期基准，其任务通常需要 500 多个步骤，远远超过现有基准。从训练中提取成功的轨迹，分成 2B 视觉语言模型，其性能优于模型大小的 2 倍\倍。我们还在测试时应用相同的审核原则：单独的 VLM 审查已完成的轨迹并提供剩余轨迹的反馈，将 CUA-World-Long 上的 Gemini-3-Flash 从 11.5% 提高到 14.0%。我们发布所有代码、基础设施和基准数据，以促进未来对实际计算机使用代理的研究。