El artículo académico 'CUA-Master: Scaling Computer-use Agents through Open-World Recursive Improvements', presentado en arXiv en noviembre de 2026, introduce un nuevo marco de trabajo para el desarrollo de agentes de uso de ordenador (CUA). El estudio aborda las limitaciones actuales de estos sistemas, que sufren de baja diversidad, controlabilidad y fiabilidad en los datos de interacción, además de la falta de retroalimentación iterativa en los pipelines de optimización convencionales.
Para resolver estos problemas, los autores proponen CUA-Master, un marco de mejora recursiva anidado con doble bucle. A nivel del sistema, un 'flywheel' de datos de mundo abierto incorpora un corpus de datos abierto y utiliza las debilidades evolutivas del modelo para guiar la construcción y optimización de datos. A nivel de datos, un bucle interno acopla el siembra de mundo abierto con la propagación autocatalítica. Este proceso extrae flujos de trabajo auténticos de videos de instrucciones como tareas semilla y emplea una reconstrucción de trayectoria dual de ruta visual y semántica. Posteriormente, transforma estas semillas en primitivas reutilizables para la síntesis controlada de tareas diversas y complejas.
Para facilitar la recopilación eficiente de trayectorias, el marco incorpora un mecanismo de repetición con retroceso guiado por retroalimentación en diversos entornos reales. Los experimentos extensos demuestran que la variante CUA-Master-27B logra un rendimiento competitivo en benchmarks de interfaz gráfica (GUI) y híbridos GUI-CLI. Específicamente, obtiene una puntuación de 80.2 en OSWorld Verified, 36.9 en OSWorld 2.0, 43.9 en WeaveBench y 25.0 en Agents' Last Exam. El marco también mejora significativamente la calidad y eficiencia de la síntesis de datos, mostrando ganancias continuas a través de las iteraciones recursivas.