Новый ИИ-агент AutoGLM от Zai обошёл конкурентов в тестах автоматизации
Агент, который «понимает» компьютер
Компания Zai (бывшая Zhipu AI), известная своими открытыми языковыми моделями серии GLM, анонсировала платформу ComputerRL - новую систему для обучения ИИ управлению компьютером так, как это делает человек. Вместе с ней была представлена модель AutoGLM-OS-9B , способная не просто распознавать интерфейс, но и работать в нём: открывать программы, переключаться между окнами, выполнять цепочки действий и даже адаптироваться к изменяющимся условиям.
В основе подхода лежит парадигма API-GUI, которая объединяет традиционные программные вызовы API и взаимодействие с графическим интерфейсом - как у обычного пользователя. Благодаря этому модель лучше справляется с неожиданностями в интерфейсе и умеет планировать действия на несколько шагов вперёд.
API-GUI — это графический интерфейс для взаимодействия с API, позволяющий отправлять запросы, просматривать ответы и тестировать API без написания кода.
Что такое ComputerRL и почему это важно
Фреймворк ComputerRL разработан с нуля под задачи desktop-автоматизации и использует так называемое онлайн-обучение с подкреплением (reinforcement learning). Ключевая особенность - масштабируемость: модель обучается сразу в тысячах виртуальных сред (например, Ubuntu), позволяя ускорить процесс и увеличить обобщающую способность.
Важную роль играет и стратегия обучения Entropulse - гибрид, сочетающий подкрепление и классическое обучение с учителем. Это помогает избежать переобучения и потери разнообразия в действиях модели - одной из главных проблем в длительном обучении ИИ.
Zai не скрывает амбиций: их цель - создать универсального агента, который сможет уверенно работать в разных приложениях и сценариях. От офисной рутины до сложных задач с длинными цепочками действий.
Модель AutoGLM-OS-9B: маленькая, но мощная
AutoGLM-OS-9B построена на базе языковой модели GLM-4-9B-0414, которая была выпущена в апреле 2025 года. Несмотря на относительно небольшой размер в 9 миллиардов параметров, она успешно конкурирует с более крупными и закрытыми решениями. Её дообучили с помощью ComputerRL, и результат оказался впечатляющим.
В тесте OSWorld, который имитирует работу реального пользователя в десктопной системе Ubuntu, AutoGLM-OS-9B достигла точности 48,1% и это лучший результат среди открытых моделей. Для сравнения: аналогичный агент от OpenAI показывает 40–45%, а модель Claude -4 от Anthropic всего 35–40%.
«AutoGLM не просто быстрее других. Он делает меньше шагов, увереннее работает с несколькими приложениями и планирует дальше»,
- отмечают авторы исследования.
Кроме того, тестирование показало: комбинация API и GUI-методов даёт модели прирост точности в 10–15% по сравнению с традиционными подходами, где используется только визуальное взаимодействие.
Универсальность и перспективы
AutoGLM-OS-9B не просто исследовательский проект. Благодаря открытой лицензии, коду на GitHub и Hugging Face, а также совместимости с популярными инструментами вроде LLaMA-Factory и vLLM, его можно использовать для практических задач: от написания отчётов до отладки кода в реальном времени.
И при этом модель «влезает» в одну видеокарту RTX 4090, что делает её пригодной для частных разработчиков и небольших компаний.
Разумеется, есть и ограничения. Сейчас акцент сделан на системах Linux (в частности, Ubuntu), а перенос на другие ОС или редкие приложения пока требует дополнительной адаптации. Но в будущем Zai планирует усилить универсальность, добавив поддержку мультимодальных моделей (например, с обработкой изображений) и более гибкую работу с меняющимися интерфейсами.
Кто стоит за проектом
Компания Zai активно развивает линейку GLM-моделей и делает ставку на открытость. В течение 2025 года она уже выпустила несколько флагманов, включая GLM-4.5 с 355 миллиардами параметров и мультимодальные версии с логическими способностями. Всё это в рамках инициативы AutoGLM, цель которой - создать полноценного цифрового ассистента, способного не просто отвечать на вопросы, но и выполнять реальные действия в цифровой среде.
В этом смысле AutoGLM-OS-9B можно считать первым зрелым шагом к ИИ, который не просто говорит, но и работает.
