Qwen-CUA переносит computer use из набора внешних эвристик в саму модель. В основе — MoE-архитектура 397B-A17B, которая получает визуальный контекст, строит план и выполняет действия в графическом интерфейсе.
Для автономных систем это важное направление. Многие внутренние программы не имеют API, но доступны через рабочий стол. Локальный визуальный агент может работать с такими системами, не отправляя скриншоты и содержимое окон во внешний сервис.
Мы рассматриваем Qwen-CUA как исследовательский контур: перед практическим применением нужны строгая песочница, разрешения на действия, журналирование и подтверждение необратимых операций человеком.