通用图形界面操作
直接处理屏幕原始像素，用虚拟鼠标和键盘完成点击、滚动、输入，不用为每个系统或网站写专用 API，同一套动作空间可跨环境使用。
价格官网未标价
平台Web
归类API 与算力
收录2025-01-23
复核2025-01-23
编辑评分
4.4 / 5
★★★★☆
CUA编辑总结
CUA 是 OpenAI 于 2025 年 1 月 23 日发布的研究预览模型，把 GPT-4o 的视觉能力与强化学习推理结合，通过屏幕像素、虚拟鼠标与键盘来操作软件，不需要为每个系统或网站单独写 API。在 OSWorld 完整电脑操作任务上成功率为 38.1%，WebArena 为 58.1%，WebVoyager 为 87%。它目前只随 Operator 研究预览在 operator.chatgpt.com 面向美国 Pro 档用户开放，遇到登录、验证码等敏感步骤会要求用户确认，整体仍处于早期阶段。
CUA是什么？
CUA 是 OpenAI 在 2025 年 1 月 23 日公布的研究预览模型，全称 Computer-Using Agent，用来驱动 Operator 这个能替用户上网执行任务的智能体。它面向的是需要让 AI 直接操作软件的开发者和高级用户，而不是只做文本问答的场景。
它的做法是把 GPT-4o 的视觉能力与通过强化学习获得的推理能力结合，直接读取屏幕像素，再通过虚拟鼠标和键盘完成点击、滚动、输入等动作，因此不依赖操作系统或网站专用的 API，能在各种图形界面里工作。运行方式是一个循环：截取屏幕加入上下文作为感知，用思维链推理下一步，再执行动作，直到任务完成或需要用户介入。
不同用户的使用方式不一样。普通用户通过 Operator 在 operator.chatgpt.com 上以美国 Pro 档身份体验；开发者关注的是它作为通用动作空间的潜力，用来构建跨系统的自动化；团队则需要评估它在多步任务、错误处理和突发变化下的稳定性，以及敏感操作要求确认带来的流程影响。
CUA核心功能
感知推理动作循环
把截图加入模型上下文进行感知，用思维链推理下一步，再执行动作，循环推进直到任务完成或需要用户输入，能评估观察结果并动态调整。
多步任务与纠错
能把任务拆成多步计划，导航多步流程、处理错误并适应突发变化，适合填表单、走网站流程这类没有现成 API 的操作。
敏感操作需确认
大多数步骤自动执行，但涉及输入登录信息或响应 CAPTCHA 表单等敏感动作时会先向用户请求确认，把最终控制权交回使用者。
公开基准成绩
在 OSWorld 完整电脑操作任务上成功率 38.1%，WebArena 网页任务 58.1%，WebVoyager 87%，均以屏幕、鼠标、键盘这一套通用界面取得。
CUA适合谁用？
想验证电脑自动化的开发者
推荐可用 Operator 研究预览实测多步任务的实际成功率，判断 CUA 这套通用动作空间是否值得接入自己的工作流。
需要跨系统搬运数据的运营
有条件填表单、走网站流程这类没有开放接口的操作适合交给它，但每一步都依赖屏幕识别，复杂界面下需要人工盯住结果。
追求稳定产出的企业流程
不推荐OSWorld 完整电脑任务成功率 38.1%，多数步骤会出错或需要接管，目前还不适合直接放进没有人工复核的生产流程。
美国以外的个人用户
不推荐Operator 研究预览目前面向美国 Pro 档用户开放，其他地区用户暂时无法直接使用。
CUA优点和缺点
优点
- 不依赖专用 API，靠屏幕像素和虚拟鼠标键盘即可操作各类图形界面
- 在 OSWorld 上取得 38.1% 成功率，高于此前最佳的 22.0%
- WebVoyager 网页任务成功率达 87.0%
- 把任务拆成多步计划，出错后能自行调整继续推进
- 输入登录信息和响应 CAPTCHA 前会请求用户确认
缺点
- 仍是研究预览，OpenAI 明确表示它尚处早期且有局限
- 完整电脑操作任务成功率仅 38.1%，多数步骤仍需人工接管
- 目前只通过 Operator 面向美国 Pro 档用户开放
- 多步任务依赖屏幕识别，界面变化时稳定性会下降
CUA关键指标
| 指标 | 数值 | 数据来源 |
|---|---|---|
| OSWorld 完整电脑任务成功率 | 38.1% | OpenAI Computer-Using Agent 发布页 |
| OSWorld 此前最佳成功率 | 22.0% | OpenAI Computer-Using Agent 发布页 |
| OSWorld 人类成功率 | 72.4% | OpenAI Computer-Using Agent 发布页 |
| WebArena 成功率 | 58.1% | OpenAI Computer-Using Agent 发布页 |
| WebArena 此前最佳成功率 | 57.1% | OpenAI Computer-Using Agent 发布页 |
| WebArena 人类成功率 | 78.2% | OpenAI Computer-Using Agent 发布页 |
| WebVoyager 成功率 | 87.0% | OpenAI Computer-Using Agent 发布页 |
| WebVoyager 此前最佳成功率 | 56.0% | OpenAI Computer-Using Agent 发布页 |
CUA常见问题
CUA 和普通聊天模型有什么区别？＋
聊天模型输出文字，CUA 输出的是屏幕上的动作。它读取屏幕原始像素作为感知，用虚拟鼠标和键盘执行点击、滚动、输入，再把新截图放回上下文继续推理，直到任务完成或需要用户确认。这样它不需要操作系统或网站专用的 API，就能在多种图形界面里执行填表单、走网站流程这类任务。
它的实际能力有多强？＋
在 2025 年 1 月 23 日公布的结果里，OSWorld 完整电脑操作任务成功率为 38.1%，此前最佳为 22.0%；WebArena 网页任务为 58.1%，此前最佳为 57.1%；WebVoyager 为 87.0%。同一套屏幕、鼠标、键盘的通用界面同时跑这几项基准，是它区别于单一场景方案的地方。
现在能直接用到吗？＋
可以，但范围有限。CUA 目前通过 Operator 的研究预览开放，入口是 operator.chatgpt.com，先面向美国的 Pro 档用户。OpenAI 表示会先收集真实使用反馈来完善安全措施，再逐步扩大范围，所以其他地区和非 Pro 档用户暂时还用不上。
遇到登录和验证码它会自己处理吗？＋
不会全自动。大部分步骤由它自己完成，但当动作涉及输入登录信息或响应 CAPTCHA 表单时，它会先向用户请求确认。这属于它安全设计的一部分，目的是让使用者在敏感环节保留最终决定权，而不是把账号操作完全交给模型。
CUA竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| CUA本工具 | 4.4 | 未标价 | 通用图形界面操作；感知推理动作循环；多步任务与纠错；敏感操作需确认 | Web |
| OpenPhone API | — | API 访问包含在 Quo 套餐内，出站短信按分段计费 | 自动化消息和构建自定义工作流程的通信接口 | Web / API |
| WoolyAI | — | 未标价 | WoolyAI 是一种通过解耦 CUDA 执行与 GPU 来实现无限制 AI 基础设施管 | — |
| PoloAPI | — | 未标价 | OpenAI 接口聚合管理平台 | — |
| SunoAI API | — | 未标价 | 开源项目，实现 AI 音乐服务的 API 接口 | — |
| 多奥淘宝客 | — | 未标价 | 开源淘宝 API 接口程序 | — |
CUA最新动态
-
CUA 与 Operator 研究预览发布
OpenAI 公布 Computer-Using Agent，并同步开放 Operator 研究预览，入口为 operator.chatgpt.com，先面向美国 Pro 档用户。
