Qwen 团队发布 GUI Agent 技术报告聚焦真实场景
通义千问团队公布 Qwen-UI-Agent 技术报告，面向真实场景的基础 GUI 智能体。
阿里巴巴通义千问（Qwen）团队近日公开了题为《Qwen-UI-Agent Technical Report: Toward Next-Generation Real-World Centric Foundation GUI Agents》的技术报告，将研究方向聚焦于面向真实世界的基础 GUI（图形用户界面）智能体。从已披露的信息来看，这是 Qwen 团队在 GUI Agent 方向上的一次系统性总结，相关论文已上传至 arXiv。
报告定位与方向
从标题可以判断，团队将 Qwen-UI-Agent 定位为「下一代以真实场景为中心的基础 GUI 智能体」，关注模型在操作系统、浏览器以及各类桌面 / Web 应用中理解界面、执行多步操作的能力。与单纯对话或文本生成不同，GUI Agent 要求模型具备视觉理解、界面元素定位、动作规划以及长链路任务执行等综合能力，是衡量大模型「能不能干活」的关键方向之一。
行业背景
GUI Agent 是近一年 AI Agent 赛道中最受关注的细分方向之一。Anthropic 推出的 Computer Use、OpenAI 的 Operator、以及多家创业公司的浏览器自动化产品，均在尝试让大模型直接「看懂屏幕并操作」。Qwen 团队此前已开源 Qwen2-VL、QVQ 等多模态与推理模型，为 GUI Agent 提供了视觉与推理方面的基础能力。此次单独发布 UI-Agent 技术报告，意味着其在该方向上已有阶段性研究成果。
后续待补充
需要指出的是，目前公开渠道仅披露了报告标题与 arXiv 链接，报告中的实验设置、benchmark 数据、与既有 GUI Agent 的能力对比、是否同步开源权重等关键细节尚待进一步确认。建议关注 Qwen 官方渠道与 arXiv 论文正文以获取完整信息。