Имитационное обучение (Imitation Learning) уперлось в структурный потолок. Исследователи из Meituan и Университета Фудань справедливо указывают на фатальный изъян классического подхода: статические наборы данных не способны передать каузальную петлю обратной связи в реальной среде ОС. В живой операционной системе каждое действие радикально меняет состояние экрана и пространство доступных опций. Модели, обученные просто «подражать» логам, беспомощны перед ошибками, возникающими на длинных дистанциях многошаговых задач. Пора признать: эпоха офлайн-тренировок на застывших траекториях сменяется эрой активного накопления опыта, где агент учится в процессе работы.
Фреймворк EvoCUA-1.5 — это попытка выйти за рамки односложных языковых рецептов и освоить сложные задачи в частично наблюдаемых мультимодальных средах. В основе системы лежит метод пошаговой оптимизации стратегии (Step-Level Policy Optimization, STEPO), который декомпозирует длинные цепочки действий на отдельные образцы, сохраняя баланс преимуществ. Для стабилизации процесса авторы внедрили динамическую учебную программу (Dynamic Tri-Adaptive Curriculum, DTAC). Она жонглирует посильными задачами, сложными повторами успешных сценариев и контролируемым погружением в невыполнимые кейсы. Весь этот процесс опирается на асинхронную инфраструктуру RL, спроектированную специально под медленный отклик среды и вариативность рабочих процессов в ОС.
Главное в архитектуре EvoCUA-1.5:
Метод STEPO для эффективной декомпозиции длинных последовательностей действий. Трехуровневая учебная программа DTAC, адаптирующая сложность под текущие навыки агента. Асинхронная среда обучения, оптимизированная под специфику задержек операционных систем.
Технические результаты подтверждают правильность ставки на активное взаимодействие. EvoCUA-1.5 показал результат в 63,2% на бенчмарке OSWorld-Verified. Как следует из отчета, такая производительность позволяет модели обходить открытые аналоги масштаба 32B–35B и даже конкурировать с тяжеловесами, значительно превосходящими её по числу параметров. Фокусируясь на верифицируемых результатах в исполняемых «песочницах», а не на слепот копировании действий человека, фреймворк наделяет агентов способностью к самокоррекции.
Время примитивных макросов и жестко зашитых сценариев уходит. Для бизнеса и владельцев продуктов это сигнал: ценность смещается от накопления гигантских датасетов с действиями людей к созданию надежных симуляционных сред. Будущее корпоративного софта за автономными системами, которые способны обучаться на собственных провалах в режиме реального времени, а не ждать следующего обновления базы данных.