开源 CUA 大战本周开打：OpenCUA、UI-TARS-1.5 前后脚开源，27k 星的 trycua/cua 如何守擂
【免费下载链接】cuaScale computer-use 2.0 with open-source drivers, cross-OS fleets, and benchmarks for training, evaluation, and data generation.项目地址: https://gitcode.com/GitHub_Trending/cua/cua
本周，计算机使用智能体（Computer-Use Agent，下称 CUA）赛道迎来罕见的"双模型撞车"：字节 Seed 把 UI-TARS-1.5 的权重开源并亮出多项 SOTA 战绩；港大与 Kimi 团队前后脚放出 OpenCUA，主打"人人可造专属电脑智能体"。当"模型派"开始成建制地开源，那个长期盘踞 GitHub 趋势榜、被社区称为"Cua"的 27k 星仓库 trycua/cua 反而显得安静——它没有新权重可发。
但把仓库拆开看会发现，它的护城河从来不在模型权重，而在模型之下的"电脑层"：跨三操作系统的驱动（Cua Driver）、沙箱与本地虚拟机运行时（SDK/CLI + Lume）、评测与数据工厂（Cua Bench），以及一套把 OpenCUA、UI-TARS 直接"吃掉"当自家组件的模型无关适配层。本文基于仓库源码逐行核对，回答一个问题：模型阵营集体开源的这几天，trycua/cua 是被围剿，还是恰好被抬到了更高的生态位。
一、两位挑战者：SOTA 战绩与"人人可造"的叙事
先给模型派记分。
UI-TARS-1.5（ByteDance Seed）：UI-TARS 系列的第二代开源权重。trycua/cua 仓库自己的博客在对比各模型能力时引用了它的基准数据，这张表也是目前社区引用率最高的"OS 操作能力"坐标系之一：
| Benchmark | UI-TARS-1.5 | OpenAI Cua | Claude 3.7 | 此前 SOTA | Human |
|---|---|---|---|---|---|
| OSWorld（100 步） | 42.5 | 36.4 | 28.0 | 38.1（200 步） | 72.4 |
| Windows Agent Arena（50 步） | 42.1 | — | — | 29.8 | — |
| WebVoyager | 84.8 | 87.0 | 84.1 | 87.0 | — |
| Online-Mind2Web | 75.8 | 71.0 | 62.9 | 71.0 | — |
| AndroidWorld | 64.2 | — | — | 59.5 | — |
（上表出自 Cua 团队维护的模型能力对照：blog/build-your-own-operator-on-macos-2.md）
这张表透露的信息比分数本身更重要：UI-TARS-1.5 的强项集中在OS/桌面级任务（OSWorld、Windows Agent Arena 双双刷新 SOTA），浏览器场景 OpenAI Cua 仍保留 2 个百分点优势。Cua 团队的选型结论也因此写得很直白："需要更强 OS/桌面能力和低延迟自动化时选 UI-TARS Loop"。对一个开源模型而言，"在最难打的原生桌面场景上超过闭源 API"，就是它能快速出圈的原因。
OpenCUA（港大 & Kimi）：走的是另一条叙事——"人人可造专属电脑智能体"。与 UI-TARS 主打综合智能体不同，OpenCUA 是典型的 grounding（界面定位）模型：给一张截图和一句"点这里"，它输出click(x=..., y=...)。7B 级权重开源，意味着开发者可以在本地起一个 OpenAI 兼容端点，自己组装智能体循环，不必依赖任何云 API。同期中文社区出现了一整批"截图 + 多模态模型 + pyautogui"手写 CUA 的教程潮，阿里的 Qwen-CUA（397B MoE）等模型也在此前后发布——"人人可造"不是口号，而是工程事实：一个视觉定位模型 + 一个键鼠执行器，最小可用 CUA 就闭环了，而这两个部件现在都是开源的。
模型派这一轮攻势，本质上是把 CUA 栈里"最贵"的智力层免费化了。接下来看 trycua/cua 手里还攥着什么。
二、生态位：卖"电脑"，不卖"大脑"
打开 README.md，第一句话是 "Give AI agents computers they can use."——注意，不是 "Give AI agents a brain"。仓库自我定位是四件套：
- Cua Driver：跨 macOS/Windows/Linux 的桌面自动化驱动，通过 CLI、MCP 或类型化 SDK 接入，支持"后台投递"——智能体干活时不动你的指针、不抢焦点；
- Cua SDK + CLI：一条
cua命令和 Rust 核心，管本地虚拟机、gVisor/Docker 容器、云端沙箱；沙箱内的 cua-spacesd 守护进程在 3211 端口暴露进程、文件、截屏与输入能力； - Lume：基于 Apple Virtualization.Framework 的本地 macOS/Linux 虚拟机管理，M 系列芯片上从 Apple 恢复镜像创建 Tahoe 虚拟机并 SSH 接入；
- Cua Bench：建任务、跑评测、导出训练轨迹的基准与 RL 环境。
仓库架构图把生态位画得很清楚（img/cua-architecture.png）：整个栈被切成 Environment / Execution / Intelligence 三层，最右一列 "Agent Framework" 标注着100+ VLM Options、"Pre-built agent loops"、"Bring Your Own Key"。换句话说，trycua/cua 从设计上就把"大脑"外置为可插拔组件——模型派开源的不是威胁，而是给它补上了免费、可本地化的选项。
商业结构同样自洽：仓库绝大部分代码（SDK、CLI、Driver、Lume、Bench）是 MIT；只有 Cua Spaces 应用层走 FSL-1.1-MIT（源可用、不可提供竞品托管服务、每个版本两年后转 MIT），见 LICENSING.md 与 COMMERCIAL.md。它卖的是"给你的智能体一台电脑"的运行时与服务，模型层恰恰是它最不需要独占的部分。
三、源码级证据：OpenCUA 与 UI-TARS 早已是 Cua 的"内置组件"
最能说明"守擂"姿势的，不是 README 措辞，而是 libs/python/agent/ 下的 agent loop 目录。Cua 把每个模型厂商的怪癖封装成独立的Agent Loop，用正则注册——模型名一换，大脑即换：
@register_agent(models=r"(?i).*OpenCUA.*") # loops/opencua.py @register_agent(models=r"(?i).*ui-?tars-?2.*") # loops/uitars2.py逐个看细节，才能理解"模型无关"要吞掉多少脏活。
OpenCUA Loop 的坐标工程（libs/python/agent/cua_agent/loops/opencua.py）：OpenCUA 端点不理会 provider 侧的像素提示，所以 Cua 在发送前真的重编码图片——用qwen_vl_utils.smart_resize按factor=28、max_pixels=12845056缩放，并记住缩放系数，把模型返回的坐标反向映射回原始分辨率：
MIN_PIXELS = 3136 MAX_PIXELS = 12845056 FACTOR = 28 rh, rw = smart_resize(orig_h, orig_w, factor=FACTOR, min_pixels=MIN_PIXELS, max_pixels=MAX_PIXELS) # ... def _rescale(x: int, y: int) -> Tuple[int, int]: if last_orig_w and last_orig_h and last_rw and last_rh: return _rescale_coordinate(x, y, last_orig_w, last_orig_h, last_rw, last_rh) return (x, y)输出解析同样为 OpenCUA 定制：优先匹配其原生的click(x=..., y=...)（extract_coordinates_from_click还兼容旧式pyautogui.click(...)输出），再退到 `
【免费下载链接】cuaScale computer-use 2.0 with open-source drivers, cross-OS fleets, and benchmarks for training, evaluation, and data generation.项目地址: https://gitcode.com/GitHub_Trending/cua/cua
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
