Alibaba MAI-UIチーム、汎用コンピュータ操作エージェントのオープンスタックOpenGCUAを公開

OpenGCUAはAlibabaのMAI-UIチームが進めるプロジェクトで、コミュニティと共同でGCUAのフルスタックを開発し公開することを目指している。初回リリースには技術レポート、GCUAの設計、8つのフロンティアモデルによるharness評価軌跡、macOS向け実機harness、Cross-Device SDK、オンラインで試せるインタラクティブラボが含まれる。

GCUAは「スクリーンショットを見てクリックする」方式にとどまらず、観察、操作、作業の組み立て方をモデル自身が決める。アクセシビリティツリーの読み取り、API呼び出し、シェルコマンドの実行を使い、GUI操作は必要なときだけ行う。設計上の特徴は、GUI操作をコードとして書き、アクセシビリティ、API、シェル操作と一つのプログラムにまとめる点である。ループや分岐、中間結果で次の動作が決まる。ワークフローの判断も固定のharnessルールからモデルへ移り、例えばスクリーンショットは必要なときだけ要求する。

OSWorld-v2では、GPT-6 Astra、Claude Opus 5、Gemini 3.8 Flashを含む8モデルすべてが改善し、平均+19.6ポイントでステップ数は53%少なかった。最強と最弱のモデルの差も半分以上縮まったとされる。harnessの実装、プロンプト、全評価軌跡はオープンソースである。