电脑Agent用合成任务扩规模

让 AI 替你整理文件或填写表格，难点不只是“会不会点鼠标”，还在于训练题从哪里来、做完后谁来判对错。SCALECUA把这两件事接了起来：先自动生成电脑操作任务，再配上程序可检查的验收标准，例如文件是否创建、表格内容是否正确。这样，训练数据不必全靠人逐条编写和演示。

其中最关键的一步是 VeriGen。它让多个 Agent 在真实运行的 Docker 环境——一种彼此隔离的软件容器——里反复试题、修改任务和判定程序。作者称，这套流水线可同时运行超过 100 个 Agent 和 100 个环境，产出逾 2.4 万个可验证任务，进一步筛成近 3000 个高质量强化学习任务。随后，模型通过在线强化学习边操作边订正；Frontier Sampling 则优先挑选“刚好有机会学会”的题，避免把计算浪费在必对或必错的任务上。

作者报告，基于 Qwen3.5-9B 的版本在 OSWorld 和 ScienceBoard 两项电脑操作测试中分别达到 68.7% 和 54.0%。更值得注意的不是单个分数，而是数据飞轮的变化：电脑 Agent 正从模仿人工轨迹，转向自动造题、程序验收，再用结果继续训练。上述规模与效果均来自论文作者，尚未独立核查。