AX 严选 · 2026-09-06

这条新闻值得关注，因为它解决了一个很实际的工程痛点：现在各家训练“能操作电脑的 AI”时，环境接口、数据格式、模型适配代码全是散的，换个模型就得重写一遍。CUA-Lite 把 15 个以上的基准测试、10 多个数据集和 14 个模型家族统一到一套接口里，相当于给这个方向搭了个公共实验台。 最实在的改进是 Lite.OSWorld 这个桌面沙盒。原本跑 OSWorld 任务需要 QEMU/KVM 硬件虚拟化，成本高、部署受限。他们用 Docker 容器复刻了桌面环境，不需要 /dev/kvm，直接跑在普通 Docker 主机上，还塞进了 3 万多个可验证的训练任务。这对想低成本做桌面操作智能体的团队来说，省了不少事。 不过正文没披露这些沙盒任务的具体完成率或延迟数据，也没说 14 个模型在统一接口下的性能对比。平台刚发布，实际好不好用、社区会不会跟进，还得看后续有没有更多团队在上面跑出可复现的结果。

这件事最值得关注的点不是分数本身，而是修改的过程。Fortune 抓到了网页快照，显示 Astra 的幻觉率先从 4.2% 砍半到 2%，后来又改了回去；Anthropic 的模型 Fable 5.1 数学成绩一度被 OpenAI 下调了近 10 分。OpenAI 解释这是发布前的正常验证，但斯坦福的研究人员指出，系统卡里根本没写清楚幻觉测试到底用了多少样本、怎么测的。 我会先打个折：博客里也写了，这些都是在不计计算成本、用最强配置跑出来的“天花板分数”，普通用户用 ChatGPT 根本跑不出这个效果。所以这些数字更多是实验室里的营销素材，不是实际体验。 现在还缺两个关键信息：一是 OpenAI 到底有没有一套固定的、公开的测试流程，还是每次发布前可以反复调参直到数字好看为止；二是这些修改是在媒体和公众发现之后才改回去的，如果没人盯着，是不是就默认用那个更低的幻觉率了。这点先别太激动，等 OpenAI 把测试方法和原始数据公开再说。