微软提出Computer-Using World Model，教智能体理解动作的后果

把大模型「放进电脑里」，会出现一种很奇特的反差：

它能写代码、能推理、能把论文总结得头头是道；但一旦让它去操作 Excel、Word 这种真实桌面软件，却像第一次用电脑的人 -- 点错菜单、来回切换，甚至在同一页里循环点击。

很多人第一反应会觉得是 Agent 没看清按钮，或者没理解任务，不知道界面上各个选项是什么意思。但在真实软件里，更大的问题往往不是「看不见」，而是「不知道点下去会发生什么」。

在同一个界面上，不同的操作会把系统带到完全不同的状态，一旦点错，往往很难简单撤销。操作会产生延迟，流程被打断，有时甚至会直接破坏文档。因此，关键不只是识别界面或读懂指令，而是能提前判断每个动作可能带来的结果。

人学习使用软件时，看起来像是在界面里「到处试一试」。

比如你要给一个 Excel 工作簿加密。面对界面时，你会下意识地判断：点这个入口会不会弹出密码窗口？点那个标签只是切换视图，还是在真正推进任务？哪个操作更像是在朝目标靠近？

你并不是随便点击，而是在挑一个更可能有效的下一步。

这种在行动前先预想结果、再用一次操作去验证的过程，在认知科学中通常被称为反事实推理。

很多时候，人并不是等系统反馈才知道对错，而是先对可能发生的结果有一个大致预期，再去确认。

相比之下，不少 GUI Agent 更像「看一步、做一步」：它能读懂当前截图里的内容，却缺少对「这个动作通常会带来什么变化」的判断，因此只能在真实环境中反复尝试，试错成本也更高。

CUWM：在真正点击之前，先在「脑海里点一遍」

微软研究团队提出的 Computer-Using World Model（CUWM），想解决的正是这个问题。它做的事情可以简单理解为：在真的操作软件之前，先让智能体「想象一下会发生什么」。

• 论文链接：https://arxiv.org/html/2602.17365v1

更具体地说，给定当前界面的截图，以及一个候选操作（例如点击某个按钮），CUWM 会预测执行这个操作后的界面图像。

图 1 展示了以当前软件界面的截图和对应操作作为输入，CUWM 预测执行该操作后出现的下一步界面图像。当智能体面对多个可选动作时，它不需要立刻在真实软件里一个个去试，而是先把这些动作交给世界模型模拟 —— 于是会得到几种「想象出来的下一步界面」。

图 1：CUWM 预测的不同动作导致的软件界面图片。从同一当前界面（current state）出发，执行不同操作，如点击 Encrypt with Password、打开 Images 或放大视图，会得到不同的下一个状态（例如弹出密码窗口、展开工具面板或改变显示比例）。

接下来，智能体只需比较：哪一种结果更接近任务目标？选出最合理的一步，再在真实系统中执行。

论文把这个过程称为world-model-guided test-time action search。重要的是，智能体本身的策略是冻结的，没有重新训练；性能提升来自于更好的「预演」和更充分的测试时计算，而不是把 Agent 本身变得更复杂。

换句话说，CUWM 不是在教智能体更会操作，而是在给它一种「先想后做」的能力。

图 2：CUWM 概述：给定当前 UI 截图与动作（如点击 Excel 的列「H」），CUWM 先生成一段聚焦局部变化的过渡描述（Stage 1），再在保持不变区域稳定的前提下对截图进行条件编辑，生成预测的下一状态（Stage 2）。

关键设计：模型关注的不是像素，而是「变化」

桌面软件 UI 的特点是：大部分区域长期不变，变化通常发生在局部 —— 选区高亮、面板展开、弹窗出现、光标移动…… 如果端到端预测整张下一帧截图，模型既要背负巨大的不变背景，又要捕捉极小但关键的变化，低效且容易「注意力错位」。

CUWM 的关键设计是把「下一步预测」拆成两段：

• Stage 1：先说清楚「变了什么」（Textual State Transition）：输出一段结构化、尽量简洁的「过渡描述」，只写与动作相关的界面变化；
• Stage 2：再把变化落实到截图上（Visual State Realization）：用条件图像编辑把变化渲染到原图上，尽量保持不变区域稳定，生成下一步截图。

这一分解的重点不在「画得多逼真」，而在让模型学到：动作改变的是系统状态，而智能体真正需要的是「点了之后世界怎么变」。

图 2 展示了 CUWM 的两阶段流程：先生成「变化描述」，再把变化实现成下一帧 UI。这种「what changes /how it appears」的分解，让模型把注意力放在动作后果上，而不是低效地重绘整张界面。

训练数据怎么来：从真实交互里抽三元组，再自动写「变化描述」

CUWM 不依赖昂贵的在线强化学习环境，而是从真实软件的交互轨迹中构造训练样本：把一次操作前后的界面截图配对，再附上对应的动作表示，形成标准的 ((s_t, a_t, s_{t+1})) 训练三元组。

关键在于 Stage 1 的监督信号 ——「变化描述」怎么得到？论文做法是用 GPT-5 作为自动标注器：对每个三元组生成一段简洁的 UI 变化描述，明确「哪些变了、哪些不变」，用来监督微调 Stage 1。

为了让描述更短、更结构化、更少幻觉，作者还在 SFT 之后用 GRPO 做轻量 RL 细化：奖励由 LLM-as-a-Judge 的结构一致性评分与长度惩罚组合，从而有效覆盖关键 UI 结构。

结果：智能体开始「规划行动」

在实验中，智能体需要完成「给 Excel 工作簿添加密码保护」的任务。它不会立刻在真实环境里点来点去，而是先提出多个候选动作，并逐个调用 CUWM 进行模拟，得到每个动作可能带来的「下一步界面」。

随后，智能体把这些模拟结果与任务目标进行对照，最终选择点击「Protect Workbook」—— 因为这一候选动作对应的预测界面最符合「进入保护 / 加密流程」的预期方向。

那么，智能体是如何在点击前完成一次「内部试错」的？图 3 给出了直观示例。

图 3：先模拟后执行：world model 做「模拟器」，Agent 做「决策者」。 智能体先提出多个候选动作，CUWM 分别预测每个动作会导致怎样的下一步 UI；智能体再根据这些预测结果与任务目标的匹配程度，选择更可能推进任务的那一步（示例中为「Protect Workbook」），从而减少真实环境中的反复试错与无效点击。

这正是 CUWM 的价值所在：把高成本的环境试错转移到模型内部。智能体先在「想象出来的下一屏」里完成比较与选择，再把最有希望的一步落到真实软件执行。从「高成本试错」变成「低成本模拟」，显著降低无效操作与循环点击，让 GUI Agent 从反应式点击走向规划式决策。

更进一步，论文指出，性能提升的关键更多来自对界面结构变化的正确预测（例如面板是否展开、关键入口是否出现），而不只是生成图像的视觉逼真度。这也侧面说明，GUI Agent 的核心能力并非纯视觉识别，而是面向交互的规划与决策。

更深层的意义：Agent 决策能力意味着什么

如果把大模型的发展看成一条连续的能力变化，其实不只是「更聪明了」，而是能力的类型在改变。

过去，大模型主要解决的是理解与表达的问题：它能读懂一段话、回答问题、写文章、解释概念。这些能力本质上都发生在「信息空间」里 —— 输入是文本，输出也是文本。模型只需要给出一个合理的回答，不需要承担真实后果。

但当 AI 进入软件环境，问题发生了变化，这里不再是「回答是否合理」，而是「动作是否有效」。一次点击、一次输入、一次拖拽，都会改变系统状态，并影响之后还能不能继续完成任务。也就是说，AI 不再只是解释世界，而是在改变世界（哪怕只是数字世界）。

这时，Agent 的核心能力就变成了决策能力：它必须在多个可能动作中做选择，并对选择的后果负责。关键不再是「这句话对不对」，而是「这一步走完之后，任务更接近还是更远」。

人类在操作软件时，之所以效率很高，是因为在行动前会形成一种内部判断：这个操作大概会带来什么结果。如果结果不符合目标，往往在点击前就会放弃，而不是等系统报错。这其实是一种对「动作 → 状态变化」的理解。

而很多当前的 GUI Agent 缺少的正是这一层。它能识别界面、能理解指令，却仍然主要依赖真实交互去排除错误路径。也就是在环境里不断试错，直到碰到正确步骤。换句话说，它更像是在反应，而不是在决策。

CUWM 的意义，不只是提高成功率，而是让 Agent 开始具备一种新的能力：在执行之前先评估后果。

当智能体可以先模拟不同动作带来的不同未来，再选择更合适的一步时，它做的就不再只是「操作界面」，而是进行路径规划。试错仍然存在，但优先发生在内部，而不是直接作用于真实系统。

因此，这里的转变可以这样理解：大模型让 AI 学会了「如何回答」，而决策能力让 AI 开始学会「如何行动」。当 AI 能根据预期后果来选择动作时，它才真正从一个对话工具，变成一个能够在数字环境中推进任务的行动体。

作者介绍

CUWM 的作者是微软实习生以及微软 UFO 团队的成员，包括Yiming Guan、Rui Yu、John Zhang、Lu Wang、Chaoyun Zhang、Liqun Li、Bo Qiao、Si Qin、He Huang、Fangkai Yang、Pu Zhao等。