谷歌DeepMind将原生计算机使用能力集成到Gemini 3.5 Flash模型,开发者现可用单一模型构建能跨浏览器、手机和桌面自主看屏操作的AI智能体,无需再在不同模型间切换传递上下文,简化了跨平台长任务执行。
谷歌于6月25日发布Gemini 3.5 Flash模型,核心亮点是深度优化的计算机操作能力,可直接接管电脑界面、自主执行跨软件工作流。这标志着人工智能从问答机器转向行动派,突破文本生成与信息检索的局限,朝向直接代劳迈出关键一步。
微软研究院推出Fara1.5系列智能体模型,专为浏览器场景设计,包含4B、9B和27B三种参数版本。该模型与MagneticLite沙盒浏览器配合,可直接读取截图并模拟鼠标键盘操作,自动完成网页任务,提升计算机使用的智能化水平。
麻省理工初创公司OpenAGI推出AI模型Lux,在计算机操作任务中表现超越OpenAI和Anthropic的同类产品,成本仅为十分之一。该模型通过解析屏幕截图自动执行桌面应用操作,在Online-Mind2Web基准测试中成功率高达83.6%,显著优于OpenAI Operator的61.3%。
Openai
$7.7
Input tokens/M
$30.8
Output tokens/M
200
Context Length
-
Anthropic
$105
$525
$21
Alibaba
$4
$16
1k
Bytedance
$0.8
$2
256
Tencent
$1
32
$0.75
$1.75
$14
400
$3.5
$12
128
Google
$8.75
$70
$0.5
Trilogix1
Fara-7B是微软专门为计算机使用场景设计的高效小型语言模型,参数仅70亿,在网页操作等高级用户任务中表现出色,能与更大型的代理系统竞争。
xlangai
OpenCUA是一个端到端的计算机使用基础模型系列,基于Qwen2.5-VL指令模型构建,能够在计算机环境中产生可执行的操作。它具备强大的视觉定位和多步骤任务规划能力,在OSWorld等计算机使用代理基准测试中表现出色。
Android-MCP是一个轻量级开源项目,作为AI代理与Android设备之间的桥梁,通过MCP服务器实现真实任务操作如应用导航、UI交互和自动化测试,无需依赖传统计算机视觉或预设脚本。
termiAgent是一个基于LLM的命令行助手,支持插件角色设置和MCP服务器连接,旨在简化计算机操作。
一个基于MCP协议的OpenAI代理服务器,提供多种专业代理(如网页搜索、文件搜索、计算机操作)和一个多代理协调器,可通过MCP协议与客户端(如Claude桌面应用)交互。
一个基于PyAutoGUI的MCP和HTTP服务器包装器,允许LLM通过远程或本地连接控制计算机的鼠标和键盘操作,支持分布式部署和多种传输协议。
Bridge MCP是一个基于模型上下文协议(MCP)的Windows PC控制服务器,允许任何AI通过本地代理程序完全控制计算机,包括应用程序控制、鼠标键盘操作、屏幕捕获、系统命令执行、浏览器自动化和剪贴板管理等功能。
这是一个通过MCP协议控制Commodore 64 Ultimate硬件的服务器,允许AI助手(如Claude)通过网络与复古计算机进行交互,实现编程、运行游戏、播放音乐、管理磁盘等操作。
Koppla是一个基于自然语言的Active Directory管理工具,通过AI代理实现用户、组和计算机对象的查询与操作。
AI MCP服务器是一个连接AI模型与计算机系统的桥梁,支持执行系统命令、文件操作、程序控制和模型间通信。提供自动化安装和多种AI模型集成能力。
DigitalFate是一个企业级LLM任务编排框架,支持多级任务处理、工具集成和计算机操作。
Desktop Commander MCP是一个为Claude桌面应用设计的服务器工具,允许AI执行终端命令、管理文件系统、进行代码搜索和编辑操作。它通过Model Context Protocol (MCP)扩展了Claude的功能,使其能够直接与本地计算机交互,实现命令执行、进程管理、文件操作和代码编辑等功能。