§ 01 一周时间线：从仓库泄露到企业管控

这件事的节奏比大多数模型发布都快，值得先把时间线摆清楚。

9 月 3 日凌晨，发布前十几个小时。 有人翻 OpenAI 官方仓库 openai-cua-sample-app，发现一个由内部账号提交的 PR #71，分支名叫 gpt6-computer-use-images，新增了 gpt6-js-image 和 gpt6-py-image 两个环境。Token Gremlin 去 GitHub 历史里核对后发了一句："That's computer use."——GPT-6 会主打什么，这时候已经没有悬念。

9 月 3 日。 OpenAI 官方推文只有两句话："This is GPT-6 Astra. Anything you can do on a computer, Astra can do for you. Fast." 发布视频致敬的是 1979 年 MIT 建筑机器组的 "Put That There" 演示，据 Browserbase 工程师 Kyle Jeong 9 月 7 日的统计，这条推文当时已有 1.31 亿播放。宝玉转述，总裁 Greg Brockman 在发布前的媒体沟通会上说，他个人认为 OpenAI 已经做到了 AGI，"未来回头看，可能就是这个模型"。

9 月 4 日。 API 开放 gpt-6-astra，标准定价每百万 token 输入 10 美元、输出 50 美元。OpenAI 计算机使用团队同时宣布：搭配 Astra，ChatGPT 的 computer use 快了近 2 倍；而且 harness 层的优化是通用的，用旧的 GPT-5.6 Sol 也能快约 60%（Sac 转引的官方说法）。同一天，OpenAI 计算机使用团队核心成员 Maximilian Sieb 宣布离职，他的告别帖有 230 万播放，里面有一句话概括了这条路线的三年："我们把模型从订机票时点不准日期，带到了主线模型里的 computer use，再到这周的 Astra。"

9 月 5 日到 6 日。 demo 潮。KEITO 让 Astra 在 Canva 里用鼠标画自己的肖像，84 万播放；Alexey Fateev 给 Astra 和 Claude Fable 5.1 同一张照片、同一个 Paint，配文"Fable 5.1 欠我一个道歉"，119 万播放；Mark Kretschmann 看它弹钢琴后问"computer use 是不是已经被解决了"。Will Hu 在发布 48 小时后盘点了 7 个高互动案例，150 万播放，后面会细说。

9 月 7 日。 黄仁勋宣布 "AGI has arrived"，并透露 Astra 在超过 10 万套 NVIDIA Grace Blackwell NVLink72 系统上训练。Kyle Jeong 发出源码拆解博客。Bilawal Sidhu 把父母老宅的 3D 扫描交给 Astra 变成可编辑场景，然后"把重力调低、开了一个传送门"。

9 月 8 日。 第一桶冷水。CoArena 发布 CUA KnowledgeBench：花了超过 5 万美元让前沿模型做 12 小时的真实公司工作，Astra "勉强挤进前三"。同一天，Kyle Jeong 宣布用 Stagehand 做翻译层后，Astra 的 computer use 再快 2.5 倍。

9 月 9 日。 第二桶冷水。Francesco 团队针对被反复转发的高速演示视频说：预批处理的动作不等于 Agent 实时决策，"这不是今天现实的日常实时 computer use，一年内大概也不会是"。

9 月 10 日。 三件事同一天。OpenAI 的 James Sun 宣布企业级 CUA 管控：站点与应用白名单、上传/下载/历史/CDP 逐项开关、审批力度可调、每一次截图和动作都流到 OpenTelemetry。OpenAI 发布 Agents API，把 Codex harness 搬到云端托管，公测。NeoCognition 发布 ApprenticeBench，给出一个后面会反复引用的判断："No more CUA tax"——GUI 操作的成功率第一次追平了 API。

§ 02 官方数字：快了一倍，安全指标降了一个量级

OpenAI 发布页在 computer use 这一节给的数据不多，但每一条都可以对照。

指标 GPT-6 Astra GPT-5.6 Sol 第三方对照
OSWorld 2.0（v2026.08.08，离线集） 72.6%，约 40 分钟/任务 65.7%，约 75 分钟/任务 Claude Opus 5：70.2%
ScreenSpot-Pro（无工具） 92.7% 76.9% Claude Fable 5：87.3%
Agents' Last Exam 59.3% 53.6% Claude Opus 5：55.5%
AutomationBench 41.4% 18.1% Claude Fable 5.1：31.4%
Mind2Web 任务完成速度（含 harness 更新） 1.9 倍 基准 —
内部 CUA 安全 benchmark（越低越好） 2.4%（开 AutoReview 后 1.8%） 22.0% Claude Fable 5.1：9.5%
FIG 1 · OSWorld 2.0（v2026.08.08 离线集）：得分 vs 每任务耗时 得分（%，越高越好） 每任务耗时（分钟，越低越好） GPT-6 Astra 72.6 Claude Opus 5 70.2 GPT-5.6 Sol 65.7 050100 GPT-6 Astra ≈40 min Claude Opus 5 未公布 GPT-5.6 Sol ≈75 04590 分数只涨 6.9 个百分点，时间少了约 47%：这次发布"快"比"准"是更大的变化
图 1 · OSWorld 2.0：Astra 得分 72.6%、每任务约 40 分钟；上一代 Sol 65.7%、约 75 分钟（耗时为 OpenAI 的延迟模拟）
数据来源：GPT-6 Astra: A new generation of intelligence（OpenAI 发布页）

几个值得停一下的地方。OSWorld 2.0 的分数只涨了 7 个百分点，时间却少了 47%，这说明"快"比"准"是更大的变化。ScreenSpot-Pro 是纯定位测试（给一张专业软件截图，找到该点的地方），从 76.9% 到 92.7% 是这张表里最大的跃升，也是 X 上"坐标又快又准"这类观感的来源。AutomationBench 翻了一倍多，但绝对值只有 41.4%，意味着一半以上的自动化任务仍然做不成。

安全那一行需要单独解释。OpenAI 用一个"对抗性挑选、专门诱导模型犯错"的 computer use 任务集测不良后果发生率，Astra 是 2.4%，上一代是 22.0%。发布页还提到，在内部评估里 Astra "从未尝试绕过 Codex Auto-Review 的拒绝"，即便审查被故意配置成可绕过、且不绕过就无法完成任务。这是 OpenAI 敢把 CUA 推给企业的底气，后面讲管控层时会再回到这里。

FIG 2 · Computer use 相关 benchmark 全景（%） GPT-6 Astra GPT-5.6 Sol 同表中最佳 Claude ScreenSpot-Pro 专业软件截图定位·无工具 92.7 76.9 87.3 Fable 5 Agents' Last Exam 真实软件里的专业任务 59.3 53.6 55.5 Opus 5 AutomationBench 自动化任务 41.4 18.1 31.4 Fable 5.1 内部 CUA 安全 benchmark 不良后果发生率·越低越好 2.4 22.0 9.5 Fable 5.1 050100
图 2 · 定位（ScreenSpot-Pro）是最大跃升，AutomationBench 翻倍但绝对值仍不到一半；安全 benchmark 从 22.0% 降到 2.4%
数据来源：GPT-6 Astra: A new generation of intelligence（OpenAI 发布页）

其他几个数字不直接关乎 computer use，但决定了它的"底盘"：Terminal-Bench 4.0 从 37.3% 到 57.9%，ARC-AGI-3 从 7.8% 到 99.9%，FrontierMath Tier 4 到 97.6%。OpenAI 还说 Astra 在网络安全上达到了其 Preparedness Framework 的 "Critical" 阈值，ExploitBench 满分。这些数字和 CUA 的关系是：模型越聪明，完成一个任务需要的回合越少，而回合数正是 CUA 速度的瓶颈。

§ 03 它为什么突然能用了：拆开 Astra 的 CUA 循环

Kyle Jeong 在 Browserbase 做了三年 computer use 的生产化，他 9 月 7 日的博客是目前最清楚的技术拆解，材料来自 Codex 开源仓库和 ChatGPT 客户端源码。他的核心框架一句话：computer use 是 harness（工程）和 model（研究）两个问题，模型决定做什么，harness 负责做到。 两个都得解。

旧路线的病根。 2024 年 10 月 Anthropic 用 Claude 3.5 Sonnet 开了先河，路线是纯视觉：模型看截图，输出像素坐标加动作，再由 Playwright 之类的驱动执行。后来 OpenAI 的 Operator、Google 的 Gemini 2.5 Computer Use 都是这个思路。它的问题在于，模型是在固定视口（比如 1288×711）上后训练的，换一个窗口尺寸就开始点不准；而且截图看不到内部状态——按钮到底是不是禁用的、表单有没有校验通过，只能反复试。

Astra 的路线：把屏幕读成文本，把动作写成代码。 Chrome 里每个网页、大多数桌面应用，都会为无障碍模式自动生成一棵 a11y 树（accessibility tree），把界面上每个元素的角色、标签、状态列成结构化文本。它比截图省 token，而且天然带状态。Astra 优先读这棵树，需要时再补一张截图，然后用代码发出动作。一次典型输出长这样：

{
  "type": "function_call",
  "name": "exec_js",
  "arguments": "{\"code\":\"await page.getByRole('searchbox').fill('browser automation'); ...\"}"
}

也就是说，computer use 现在就是 code mode。OpenAI 的 API 文档甚至直接建议所有 computer use 都走代码执行，浏览器推荐 Playwright，桌面推荐 PyAutoGUI。

架构本身不复杂。 会话开始时，Codex 起一个 Node REPL 保存状态，绑定浏览器或原生应用的操作接口。模型观察（文本、截图或两者）、写代码执行动作，本地一个叫 CodexComputerUseIPC-5 的服务通过原生管道上的 JSON-RPC 把动作落到元素 ID 或坐标上。执行完不算完，Astra 会再观察一次，把当前状态和预期状态对一遍，然后进入下一轮。因为 computer use 天然有状态，这个 REPL 必须撑满整个会话。

FIG 3 · Astra 的 computer use 循环（Codex harness） ① 观察a11y 树 + 截图文本优先·按需截图 ② 决策 · 写代码exec_js → Playwright桌面走 PyAutoGUI ③ Guardian 审查GPT-5.6 Luna 分类high → 阻塞式复核 ④ 执行CodexComputerUseIPC-5JSON-RPC · 原生管道 ⑤ 再观察 · 校验当前状态 vs 预期不符则重试 循环直到任务完成 · 更聪明 → 回合更少 → 更快 Node REPL 保存整个会话的状态：computer use 天然有状态，REPL 必须撑满整个循环 Guardian 常见拦截：权限授予 · 登录与账户级操作 · 敏感数据提交 · 有后果的点击 · 绕过限制 · 破坏性操作 · 越权访问私有数据 发布页数据：内部评估中 Astra 从未尝试绕过 Codex Auto-Review 的拒绝
图 3 · Astra 把屏幕读成 a11y 树、把动作写成代码；Guardian 在执行前做安全审查；REPL 保持会话状态
数据来源：How does Astra's computer use actually work?（Kyle Jeong / Browserbase，基于 Codex 仓库与 ChatGPT 客户端源码）

Guardian：动作执行前的安全审查。 Astra 是唯一要求 auto-review 的模型。机制是用 GPT-5.6 Luna 做后台分类器，评估当前工作流的风险，返回 high 或 low；high 会触发对后续动作的阻塞式审查，审查器输出类似 {"risk_level": "high", "user_authorization": "low", "outcome": "deny"} 的结论。常见的拦截项包括权限授予、登录和账户级操作、敏感数据提交、有后果的点击、绕过限制、破坏性操作、越权访问私有数据。用过 Codex 委派任务的人大概都撞过其中几条。

那它为什么快？ Kyle 的回答很朴素：它更聪明，所以回合更少。Astra 在超过 10 万块 GB300 上做的后训练，大量时间花在 computer use 环境里的强化学习。推理速度反而不是主因：一旦超过 300 TPS，瓶颈就在动作执行而不是生成。harness 层的 websocket 预热、连接复用、用 previous_response_id 做增量请求，这些只压缩工具启动时间，不改变每步动作的速度。

有一个旁证很说明问题。Kyle 团队做了一个翻译层，把 Astra 输出的 Playwright 命令转成 Stagehand，速度再快 2.5 倍，他给的例子是 Astra 自己决定把整个 logo 的绘制合并成一条命令，一次画完。这正是"聪明 → 回合少 → 快"的具体形态：不是每一笔都更快，而是它知道可以把一百笔打包成一笔。

FIG 4 · "快了多少"的四个数字，四种口径（换算成速度倍数） 仅 harness 优化 · GPT-5.6 Sol OpenAI 计算机使用团队 · "约 60%" 1.6× Astra + 新 harness · Mind2Web OpenAI 发布页 · 任务完成速度 1.9× Astra · OSWorld 2.0 每任务耗时 OpenAI 发布页 · −47% ≈ 1.9× 1.9× Astra + Stagehand 翻译层 Browserbase · 相对 Astra 默认 Playwright 2.5× 0×1×2×3× 四个数字来自不同 benchmark 和基线，不可相乘；共同点是提速主要来自"回合数变少"和 harness，不是推理速度
图 4 · harness 优化让上一代模型也快 60%；Astra 在 Mind2Web 上 1.9 倍；Browserbase 的 Stagehand 翻译层在此之上再快 2.5 倍
数据来源：OpenAI 发布页 + OpenAI 团队推文（经 Sac 转引）+ Kyle Jeong 推文

还没解决的。 Kyle 自己列了三条：观察可能失败（a11y 状态不完整、截图细节不够或者视图已经过期）；观察和动作之间状态会漂移，有些应用的 a11y 树变得很频繁，动作就会落空；长时程 computer use 基本没被验证过——压缩做得好可以跑很久，但跑几天、几周之后表现如何，没人看到过。

§ 04 X 上的两种声音

爆款 demo 分四类

把一周里高互动的案例按"它到底在操作什么"归一下类，比按播放量排更有信息量。

第一类，画像。 Canva、Paint、Apple Notes、Kleki，给一张照片，让它一笔一笔勾出来。这类视觉冲击最大，也最没有实用价值。Jesse Lau 说得直接：让 LLM 复制一张图的像素再重画，"属于预先做一个程序就能搞定的事情"，纯属浪费 token。但他接着说了一个真有用的场景：打开 TradingView，直接在行情图上画趋势线、阻力线、斐波那契回撤和波浪标注，给出初步读图结论，作为人工交易前的预筛。

第二类，3D 和游戏。 这是流量最大的一类。Annalea 在 Blender 里 one-shot，97 万播放；Kevin Kern 让它在 Blender 里造车；Will Hu 盘点里有 /goal 连跑 5 天的 SimCity 克隆、Manager Loop 跑一周在 Unreal Engine 里逐街搭建的曼哈顿、一张老蒸汽火车图纸变成 3,295 个可编辑对象、600 个 Astra Agent 住进同一个 Unreal 世界。Tykoo 的观察顺便点破了一个副作用：一堆人用 Blender 建 3D，把本来就讲不清楚的"世界模型"定义搅得更乱，李飞飞几天前刚发的模型流量全被抢走。

第三类，生产工具。 这一类播放量不高，但每一条都是有人真的在用。Sac 让 Codex 直接操作剪映粗剪，"作为粗剪完全够用"；Kyle Balmer 所有长视频都由 Codex 剪辑，再用 computer use 上传 YouTube、填描述、传封面；AWAMORI 让它从 Illustrator 的落地页设计稿切图到写代码，全程含修改消耗了 Pro 5x 计划周额度的 15%；LinearUncle 用 Keynote 加动画，内容是 Codex 生成的 SVG；cosine 发现不再需要 Figma dev MCP，Astra 直接在 Figma 里看属性、改设计。

第四类，开发验收。 宝玉的评价有 20 万播放："它不像 GPT-5.6 那样要稍微等一会才操作，现在能很快很精准地帮我测试 App……这带来一个最大的提升，就是让 Agent 从开发到验收形成了完整的闭环。" quark_h 更进一步：要测 Windows 客户端，就开一台 Windows 虚拟机，Mac 远程登录进去，让 Codex 在 Mac 界面上操作 Windows，"测试过程非常丝滑"。

Will Hu 盘点完 7 个案例的结论，和我们看完两百多条推文的结论一致："以前做 AI 自动化，是先给 Agent 配 API、MCP 和插件，再教它怎么用软件。Astra 的路线，是让模型直接把屏幕当界面、把整台电脑当工具。所以它最可能先改写的，不是内容生成，而是那些功能强、学习成本高、又没来得及做 AI 接口的老软件。"

三桶冷水

第一桶：实时性。 Francesco 团队的判断前面引过了。他们自己录了 QGIS 出图、Preview 批注 PDF、GIMP 转 Inkscape 的多应用演示，每条都注明"手势 1 倍速播放，等待、重试和设置被剪掉，这是剪辑片段，不是完成时长的声明"。Cosmic Raven 的吐槽更具体："Astra 在 demo 里弹钢琴，然后花 30 秒打开一个 File 菜单。中等推理档在每次点击前都要跑一步思考，这就是你那 30 秒。" 需要说明的是，OpenAI 计算机使用团队成员声称发布视频里的所有 demo 都是实时录制的。两种说法我们都无法独立验证，只能并列放在这里。

第二桶：长时程。 CoArena 的 benchmark 值得多说几句，因为它的设计和常见 benchmark 完全不同。10 个未公开的真实公司任务，每个 5 个种子，一共 50 次运行，每次 12 小时墙钟时间，超过 100 个应用，最后只看工作产物是否合格，二值判定。一个环境是配送中心的班次：仓库系统、SAP 风格的 ERP、团队聊天和邮件，32 个工作窗口，证据随时间陆续到达。结果是最好的 Claude Fable 5.1 做成了 12 次（24%），Astra 勉强前三。更有意思的是分布：一个模型会做的任务，5 个种子里能做成 2 到 3 次；模型之间的差距主要在"10 个任务里有几个根本做得了"，头部是 4 个，尾部是 1 个。就算做成了也慢，Fable 5.1 成功运行的中位数是 6,940 个动作、6 小时 22 分钟。CoArena 接下来要花 20 万美元跑 1 天、3 天、7 天的版本。Doug Champion 在评论区质疑这种测法是否合理："没有 Agent 会在 Gmail 或 Slack 里用鼠标"，这个质疑和 NeoCognition 的"GUI 追平 API"结论放在一起看，恰好是当前争论的两极。

FIG 5 · CoArena CUA KnowledgeBench · 12 小时真实公司工作（10 任务 × 5 种子） Claude Fable 5.1 · 表现最好的模型 · 50 次运行 12 / 50 成功 · 24% GPT-6 Astra："勉强挤进前三"（具体数字未公布） 成功运行的中位耗时 vs 12 小时预算 6 h 22 min 0 h6 h12 h 6,940 个动作 / 次成功运行（中位数） 任务广度决定排名：头部模型能做 4/10 个任务，尾部只有 1/10 同一任务 5 个种子里只成功 2–3 次：可重复性也是短板 下一步：1 天 / 3 天 / 7 天，预算 20 万美元；任务不公开，防止刷榜
图 5 · 12 小时真实工作里最好的模型只做成 24%；就算成功，中位数也要 6,940 个动作、6 小时 22 分
数据来源：CoArena（YC S26）：CUA KnowledgeBench 发布线程

第三桶：判断力。 Max Schoening 一句话："Astra is way too eager to CUA."清凤的例子有 2 万播放：明明有 GitHub CLI，Astra 转头打开 Chrome 试图在网页上创建 issue。Akira 说它"很强，但为什么总做我不想让它做的事"。arjun chintapalli 玩 Cities: Skylines 的结论最尖锐："能跑但很慢，铺水管这种精细操作做不了；写了个 harness mod 之后就丝滑了。cua 是派对戏法，有用的 Agent 是在 harness 层解决的。"

这三桶水指向同一件事：模型能力已经过线，但"什么时候该用 CUA、什么时候不该"的判断，以及围绕它的工程，还远没有跟上。这恰恰是机会所在。

§ 05 八个新机会

1. 没有 API 的老软件：OpenAI 自己点名的市场

这是全部材料里信号最强的一条。James Sun 在 OpenAI 的原话："CUA 对企业尤其有用，因为很多工作流发生在没有任何 MCP 或 API 的老旧或自研软件里。" 他说这套管控已经在"全球最大的一批公司"里测试了一个月，采购、财务、QA、GTM、市场、IT 都长出了新工作流。

Sanjin 从国内企业的视角说了同一件事："很多企业后台、传统软件，没有好用的 API。想接 MCP、写 Skill，往往也得先花大量精力把底层操作打通。与其让所有旧系统重新适配 AI，不如让 AI 学会人原来的操作方式。" 他期待的具体场景是"导出后台数据、整理成表格、上传到另一个系统"，跨几个软件连续完成，出错还能自查。

NeoCognition 的 ApprenticeBench 给了这条路线第一份量化证据。他们让 Agent 在一家模拟的加州建筑公司的应付账款部门做 7 个月学徒：学 ERP、从公司历史里学惯例、从反馈里持续学习，处理进项发票错误、供应商沟通、审批流程和政策变更、给账单项目分配成本代码。结论是 Fable 5.1 和 Astra 在这个岗位上超过了人类专业人员，而且"通过 GUI 做和通过 API 做一样好"。项目成员 Boyu Gou 的说法更进一步："最强的 Agent 现在通过 GUI 成功的次数已经比通过 API 更多。"

对创业者的含义：过去十年"集成"是 SaaS 行业的隐形税，一家企业要接一个新系统，先问有没有 API、再找 FDE（前线部署工程师）写胶水代码。如果 CUA 税真的归零，"有没有 API"就从能不能自动化的门槛，变成了成本高低的问题。RPA 厂商、系统集成商、以及所有靠"我们有连接器"活着的公司，都要重新想自己的护城河在哪。

2. 三层工具栈成为默认：CLI、MCP、CUA 各归其位

X 上真正在生产环境用 Astra 的人，不约而同地描述了同一种分层。Kevin Kern 造车的配置：Blender CLI 跑脚本、批量渲染和导出；MCP 做场景的实时检查和编辑；computer use 负责视觉审查，以及 CLI 和 MCP 都暴露不出来的 UI 操作。Brent Schooley 在一台全新机器上测 DaVinci Resolve，本来想给 Codex 写个插件，结果发现不必要："我看着 Astra 找到能用 Python 脚本的地方就用脚本，用不了的地方就切 CUA。"

这条分层的意义在于，MCP 不会死，但它的位置变了。过去一年 MCP 是 Agent 接入软件的入口，现在它退到了中间层：能走 API 的走 API，因为更便宜更稳；走不了的地方 CUA 补位。熊布朗做完调研的判断是，开源的 cua 项目已经算成熟方案，但离 Codex 的 computer use 还有差距，他打算把 cua 以插件形式接进自己的 Agent。

对 MCP 开发者的含义：为一个有完整 GUI 的软件专门写 MCP 的价值在下降，除非它能提供 GUI 拿不到的东西（批处理、结构化状态、更低成本）。反过来，"帮 Agent 判断该走哪一层"的路由逻辑，是新的价值点。

3. 开发到验收的闭环：QA 第一次能被 Agent 自己关上

宝玉那句"从开发到验收形成完整闭环"背后是一个具体的工程变化。以前 Agent 写完前端，验证靠人打开浏览器点一遍；现在 Astra 自己开浏览器、点按钮、看结果、修 bug。OpenAI 发布页把"运行前端 QA 检查、确认网站上所有功能都能用"列为 computer use 的标准场景，Cognition 的 Silas Alberti 说 Devin 在发布当天就把 Astra 接进了 harness，"测试视频明显更容易看懂，报告更清楚更简洁"。Lovable 的 CTO Fabian Hedin 则观察到，Astra 在高 effort 档会"把更多迭代花在新构建上，通过浏览器测试做更多验证"。

这打开的不只是"AI 写代码"的下一步，而是整个测试外包和 E2E 测试工具的重估。quark_h 用 Mac 远程操作 Windows 虚拟机测客户端的做法，本质上是把一个专职测试岗位变成了一条 prompt。

4. 不会写代码的人，第一次能做自动化

FleetingBits 的一串思考是这个方向最完整的论证，有 1.2 万播放。他的核心观点：AI 悲观者不理解的一点是，新的模型能力会重置采用曲线。ChatGPT 之后是聊天机器人的采用潮，coding agent 之后是第二波，下一波会由 computer use 驱动，因为 Astra 已经接近能支撑大量自动化的可用度。他自己已经把报销、Airtable、Google Docs、日历和 iMessage 全交给了 Astra，"大量企业办公流程就是按 Google Doc 里的规则把东西从一个 SaaS 复制到另一个 SaaS，Astra 能做这个"。

关键的一句是："因为 computer use 不要求用户懂任何代码，它能被范围广得多的办公室员工使用——他们知道自己想让模型做什么。"

他同时列出了两个缺口，每一个都是一家公司的题目：一是密码和权限还得人管，"Codex 和 Cowork 里需要内置密钥管理器"；二是 computer use 工作流仍然要人来触发，"需要一种简单方式在公司级或团队级账户上设置监视器"。

5. 企业管控与审计层："CUA 的 SOC"

James Sun 列出的管控项，每一项都对应企业安全团队会问的问题：能限制 CUA 访问哪些站点和应用；能逐项管理上传、下载、历史记录、CDP（Chrome DevTools Protocol）；能通过调审批设置来控制人在环的程度；每一次截图、动作和审批都流到 OpenTelemetry，管理员可以审计和回溯每条轨迹。

加上前面讲的 Guardian 和 OpenAI 在发布页上的表态——"额外的安全检查有时会减慢、暂停或停止合法工作，包括防御性网络安全任务；在 ChatGPT 或 Codex 里任务会暂停等你审核，在 API 里任务会直接停"——可以看出 OpenAI 自己把"可控"当成了 CUA 进企业的前提，而不是附加功能。

Yenpro Musik 的一句话点出了审计的必要性："Agent 喜欢说自己做完了。计算机使用 Agent 普及的那一周，我就不再信这个词了。模型能点击、能打字、能留下一串看起来像工作的痕迹。" 谁来验证这串痕迹是真的工作，就是这一层的生意。轨迹分析、异常检测、合规回放，围绕 OpenTelemetry 数据流做 CUA 专用的安全运营，市场刚刚出现。

6. Harness 层：模型是 OpenAI 的，工程是大家的

这是被讨论最多、也最容易被忽视的机会。Kyle 的翻译层让速度再翻 2.5 倍，arjun 的 harness mod 让 Cities: Skylines 从"派对戏法"变成能用，OpenAI 自己的 harness 优化让上一代模型也快了 60%。三个例子说的是一件事：模型能力过线之后，剩下的提升空间大部分在 harness。

Flrande 的评论带情绪但有信息量："Codex 爆火都半年了，还给 Astra 摸索出 computer use 的路子，而 A➗ 还在 TUI 上雕花。" 不管你是否同意对 Anthropic 的评价，Codex Desktop 的 harness 确实成了 X 上被拿来比较的基准。

具体的题目已经有人在做：Cosmic Raven 提到的 cua-driver解决桌面端的访问问题，包括文件选择器；Simular 在旧金山科技周办 CUA 聚会，主题就是"CUA 普及之前还需要发生什么"；Kyle 提到 Stagehand 做的是 DOM 与 a11y 树的精简快照，把 27k token 的原始 HTML 压到 6k。谁能把观察、动作、状态和失败回放做成开发者一行代码就能接的东西，谁就在这一层站住了。

7. 创意生产的"反向图形学"

Bilawal Sidhu 的实验流程值得完整记下来：2019 年拍的约 400 张 2D 照片，经 RealityScan 做摄影测量得到一个网格；把网格丢进 Blender，让 Astra 把它变成一个完整、干净、可编辑的 3D 场景，材质来自照片扫描，其余用程序化着色器。他的判断是"多模态 LLM 可能已经跨过了反向图形学的鸿沟，对 VFX、AR/VR 到机器人都有巨大影响"，但也老实说了缺陷：有些错误是从 RealityScan 的参考网格继承来的，"人在'空间自动补全'上仍然强得多"。他的下一步，是让 Astra 用 CUA 打开摄影测量软件，对照源图像继续修。

OpenAI 发布页的 BenchCAD 数据（从多视角渲染反推 CAD 代码，Astra 95.9% 对 Sol 83.3%）和 Higgsfield CEO "复杂创意工作流 token 少 20%" 的引用，加上 Dimillian 从一句话建筑需求到 Unreal Engine 5 可漫游住宅的开发者博客，说明这不是一两个人的运气。建筑可视化、游戏资产、影视预演，这些过去靠专业人员数天工时的环节，现在的边际成本变成了 token。

8. Agent 入职而不是集成

ApprenticeBench 最有意思的地方不是结果，是设计。它把"部署一个 Agent"建模成"一个新员工入职"：没有 FDE，Agent 自己上岗，学系统、学惯例、从反馈里持续学。NeoCognition 的说法是"No FDEs. Agents deploy themselves into the job."，他们认为一到两年内 Agent 能成为跨行业的独立劳动力。

但同一串推文里也给了反面数据，值得记住。人和 Agent 的学习行为不一样：人练得越多越快，Agent 的记忆笔记越多越慢；人需要的笔记远少于 Agent，因为人更擅长压缩学到的东西、记在脑子里。John Rood 在评论里提出真正的杀手级测试："第 2 个月教一条审批规则，第 6 个月换掉它，然后测 Agent 会不会在不复活旧规则的前提下遵守新规则。持续学习不是累积，是知道什么已经不再成立。"

OpenAI 同一天发布的 Agents API 是这个方向的基础设施：云端托管的 Codex harness，OpenAI 负责编排、长时运行会话和上下文管理。加上发布页提到的 Codex 新特性——模型可以跨上下文窗口保留笔记，旧窗口仍可搜索，而不是每次压缩成一段摘要——"Agent 上岗"在技术上第一次有了闭环。它离真的能用还有多远，要看 CoArena 的 1 天、3 天、7 天结果。

FIG 6 · 八个新机会：证据强度 × 落地时间（作者判断，非量化数据） 现在就能做的生意 等数据 ① 没有 API 的老软件② CLI / MCP / CUA 三层工具栈③ 开发到验收闭环④ 非程序员自动化（缺密钥与触发器）⑤ 管控与审计层⑥ Harness 层⑦ 反向图形学（3D / 视频）⑧ Agent 入职（等 1/3/7 天结果） 证据强度 →　X 上零散实测　·　官方数据　·　第三方 benchmark 落地时间 ↑　待验证 → 6 个月 → 现在 依据：OpenAI 发布页与企业团队推文、NeoCognition / CoArena 两个 benchmark、Browserbase 源码拆解、X 上一线使用者反馈
图 6 · 右上角是证据最硬、现在就能做的四件事；"Agent 入职"证据最弱，要等长时程数据
数据来源：本文 § 05 的综合判断，各点依据见对应小节

§ 06 还没解决的问题

成本与配额。 Moken说 200 美元计划的周额度用 Fable 或 Astra 不到一天就烧完，"订阅制无限用的时代结束了"。山田的经验是 Astra 推荐的中等 effort 档最划算，"一开极高或 Ultra 立刻溶掉"。Yizhou Wang 的抱怨代表了一类真实需求："用 Astra 去做只需要一个正常人脑的事情很蠢，但其他模型又没有 Astra 的 CUA 能力。" 一个便宜的、CUA 能力过线的小模型，是明显的空位。

安全检查会误伤。 OpenAI 自己承认额外的检查"有时会打断合法工作"，并在继续迭代减少不必要的中断。Kyle 补充了一个细节：Guardian 在技术上不保证看到完整的 a11y 树。对做防御性安全工作的人，这意味着 Astra 目前会拒绝写概念验证漏洞利用，更宽松的权限要等 OpenAI Daybreak 项目在未来几周逐步放开。

网站反制。 udit 发现让 Astra 扫一个网站会被 robots.txt 拦下，同样的任务 Codex 的 CUA 却可以做，"大概很快会被补上"。这暴露的是一个更大的问题：当 Agent 用人类的界面访问网站，网站要不要、能不能区分它和人？

密码和权限。 FleetingBits 点名的密钥管理器缺口，James Sun 的管控项里也没有完全覆盖。今天大多数人是让 Agent 复用自己浏览器的登录态在跑，这在个人场景可以，在企业里过不了安全审查。

判断力仍是短板。 "too eager to CUA" 不是一个模型版本能修的问题，它需要 harness 层的路由规则、成本感知，以及更多"什么时候不该用 GUI"的训练信号。

长时程完全未验证。 Kyle 和 CoArena 从两个方向说了同一句话。12 小时是目前的天花板，最好的模型成功运行的中位数已经用掉 6 小时 22 分钟。跨天、跨班次、等待对方回复，这些真实工作的常态，目前没有任何数据。

§ 07 我们的判断

第一，CUA 税归零改变的不是"能不能"，而是"贵不贵"。过去有没有 API 决定一个流程能不能被自动化，现在它只决定成本。这意味着所有以"集成难"为护城河的业务，包括 RPA、系统集成和大量 SaaS 连接器，护城河在变浅；而所有因为"没有 API 所以一直手工做"的岗位工作，第一次有了被自动化的路径。这一点我们比较确定，因为 OpenAI 的企业客户数据、NeoCognition 的量化结果和 X 上的一线使用者说的是同一件事。

第二，接下来六个月的赢家在 harness 和管控层，不在模型。模型的能力已经由 OpenAI 和 Anthropic 决定，且两家都过了线；但翻译层能让速度再翻 2.5 倍、harness mod 能让游戏从戏法变成能用、密钥管理和触发器还没有人做好、审计和回放刚刚有了数据流。这些都是创业者能碰的东西。

第三，长时程是真正的分水岭，在它被验证之前，"Agent 上岗"仍然是一句宣传语。24% 的 12 小时成功率、"笔记越多越慢"的学习曲线、以及没有人跑过的跨天任务，都说明现在能交给 Agent 的是"任务"，还不是"岗位"。CoArena 的 7 天结果和 ApprenticeBench 的政策反转测试，是接下来几个月最值得盯的两个数字。

研究说明：本文素材于 2026 年 9 月 11 日通过 ego-browser 在 X 上以 "Astra CUA"、"Astra computer use"、"GPT-6 Astra CUA"、"Astra Codex computer use" 四组关键词抓取，覆盖 9 月 3 日至 11 日约 200 条推文及其线程，并交叉核对了 OpenAI 发布页与 Kyle Jeong 的技术博客。所有播放量、点赞数为抓取时快照。X 上关于演示视频是否实时录制的争议，我们无法独立验证，文中两种说法并列。

参考来源 · Sources

官方与技术拆解

Benchmark 与反证

一线使用与观点

作者：冯小平，[email protected]