阿里Qwen-CUA电脑控制Agent：397B参数免费开源，直接操控浏览器桌面软件

2026年8月5日，阿里Qwen团队联合XLang Lab正式发布原生Computer Use Agent——Qwen-CUA。这是国内首个支持直接通过屏幕截图感知界面状态、输出键盘鼠标事件操控浏览器、桌面及专业软件的AI Agent模型。

核心技术亮点

Qwen-CUA基于397B-A17B混合专家架构（MoE）构建，这个架构意味着模型拥有3970亿总参数，但每次推理只激活170亿参数，在性能与效率之间取得了优秀平衡。

与传统的Computer Use方案不同，Qwen-CUA无需依赖DOM树或无障碍元数据，而是直接通过屏幕截图感知界面状态，然后输出键盘鼠标事件。这种方案的优势在于：

• 适用性更广：无论网页、桌面应用还是专业软件，只要有屏幕显示就能操控
• 绕过反自动化检测：不触碰DOM，更难被网站识别为机器人
• 真实用户视角：模拟人类通过视觉感知操作，更符合自然交互

性能表现

在权威基准测试OSWorld-Verified上，Qwen-CUA取得了86.2分的优异成绩。万亿参数Max版本更是达到了87.6分，这一成绩意味着模型能够高效完成复杂的跨应用任务。

OSWorld是一个专注于评估AI Agent在真实操作系统环境中执行任务能力的基准测试，涵盖文件管理、软件开发、数据可视化、网页操作等多种场景。86.2分的得分表明Qwen-CUA已经具备在实际工作流中大规模应用的潜力。

免费开源与使用方式

好消息是，Qwen-CUA完全免费开源，用户可以：

• 在ModelScope或Hugging Face下载模型权重进行本地部署
• 使用阿里云PAI平台进行云端推理
• 通过Qwen-Agent框架快速集成到自己的自动化流程中

对于普通用户，建议通过云端API方式使用，无需配置本地GPU。对于开发者和企业用户，可以下载模型权重部署到自有服务器，完全掌控数据隐私。

应用场景

Qwen-CUA的主要应用场景包括：

1. 网页自动化：自动填写表单、抓取数据、批量操作网页应用
2. 桌面办公：操控Word、Excel、PPT等办公软件，实现文档批量处理
3. 专业软件操作：控制CAD、PS、PR等专业软件完成设计任务
4. 跨平台工作流：在不同应用间无缝切换，完成复杂的多步骤任务

与同类产品对比

特性	Qwen-CUA	OpenAI Agent	Google Gemini Agent
架构参数	397B-A17B (MoE)	闭源	闭源
感知方式	截图	截图/DOM	截图/DOM
开源	✓ 免费	✗ 付费API	✗ 付费API
OSWorld分数	86.2	暂未公开	暂未公开
中文支持	原生支持	良好	良好

如何使用Qwen-CUA

推荐三种使用方式：

方式一：云端API（适合普通用户）
通过阿里云PAI平台或直接调用Qwen官方API，无需配置GPU，按调用量计费。

方式二：本地部署（适合技术用户）
下载模型权重到本地，使用vLLM或SGLang进行推理。需要至少80GB显存的A100/H100 GPU，或部署多张消费级GPU。

方式三：Qwen-Agent框架集成
使用Qwen-Agent官方框架，可以快速搭建自动化Agent，支持工具调用、多轮对话、任务规划等功能。

总结

Qwen-CUA的发布标志着国内AI Agent能力迈上新台阶。397B参数的庞大规模、86.2的OSWorld分数、完全免费开源的授权，使其成为当前最强的Computer Use Agent之一。无论是开发者、企业还是个人用户，都可以基于此构建强大的自动化解决方案。

对于普通用户，建议先从云端API试用开始；对于有技术能力的用户，本地部署可以获得更灵活、更私密的体验。随着模型的持续迭代，Qwen-CUA有望成为AI Agent领域的标杆产品。