Pesquisadores da UC Berkeley liberaram o CUA-Lite, uma plataforma open source para agentes que usam o computador (computer-use agents, ou CUAs). O argumento central do projeto não é sobre um modelo específico, e sim sobre infraestrutura: hoje, treinar e avaliar um agente desse tipo exige quatro peças — agentes, ambientes, trilhas de execução (traces) e um framework de avaliação/treino — e elas estão espalhadas por repositórios separados, com interfaces incompatíveis entre si.
O CUA-Lite reúne tudo isso sob um único espaço de ação, um único esquema de dados e um único comando, cobrindo desktop, navegador e celular. E é utilizável de verdade: a instalação roda com uv sync --all-extras em Python 3.12, e os sandboxes leves funcionam em qualquer host Docker sem /dev/kvm — o que inclui instâncias de nuvem, runners de CI e containers aninhados.
O “imposto da máquina virtual” e como o Lite.OSWorld o elimina
A contribuição mais concreta é o Lite.OSWorld. O benchmark OSWorld oferece um desktop Ubuntu fiel, mas entrega uma máquina virtual QEMU/KVM completa por tarefa, exigindo virtualização aninhada que a maioria das infraestruturas gerenciadas não expõe. O CUA-Lite reproduz o mesmo conjunto de tarefas e os mesmos avaliadores em um desktop GNOME dentro de um container Docker comum.
A preocupação óbvia ao trocar uma VM por um container é a fidelidade — e a equipe responde a isso diretamente: em 13 modelos, as pontuações do Lite.OSWorld coincidem com as da VM do OSWorld. Ou seja, o sinal de treino obtido no container transfere de volta para o benchmark real. A mesma base sustenta uma família de sandboxes: Lite.ScaleCUA, Lite.CUAGym e Lite.CUAWorld, este último expandindo para cerca de 40 aplicações, incluindo Blender, QGIS e VS Code. No total, a plataforma declara mais de 30 mil tarefas verificáveis.
Um esquema de dados único e um adaptador por modelo
A segunda camada do CUA-Lite é o LiteSample, um esquema único de aprendizado supervisionado compartilhado entre todos os ambientes, agentes e tipos de tarefa, entregue como parquet simples acompanhado de imagens. Mais de dez datasets existentes de CUA já foram pré-processados nesse formato e publicados gratuitamente no Hugging Face — incluindo Aguvis, OpenCUA, ScaleCUA, GUI-360, GUIOdyssey e Multimodal-Mind2Web. Ao lado desses corpora, há datasets de rollout recém-gerados, criados ao passar um modelo “professor” de fronteira pelos sandboxes para destilar conhecimento em modelos “alunos” menores.
Como cada família de modelos espera um tipo de scaffolding diferente, o framework traz um adaptador por modelo que empacota o LiteSample unificado no formato de treino de cada um — incluindo o colapso de histórico para que vários passos compartilhem um único forward pass.
Avaliação, SFT e RL atrás de um único comando
Agentes e ambientes se encontram no lite.gym: capturas de tela sobem, ações descem, com um espaço de ação por plataforma. Há mais de 10 agentes integrados — GPT, Claude, Gemini, Qwen3-VL, UI-TARS, Fara-7B e MAI-UI, entre outros — e mais de 15 benchmarks, abrangendo grounding (ScreenSpot-Pro, OSWorld-G), desktop (OSWorld, OSWorld-2, WindowsAgentArena, CUABench), navegador (WebArena, VisualWebArena, MiniWoB, WebVoyager, Online-Mind2Web, WebGym) e celular (AndroidWorld, AndroidLab, MobileWorld, MobileGym). Trocar --model-id e --env-id em scripts/rollout.py é toda a interface.
O mesmo loop serve ao treino. Para SFT, o README documenta o fine-tuning do Qwen3-VL-2B-Instruct em trajetórias de desktop do Lite.ScaleCUA, elevando o retorno médio por episódio de 0,138 para 0,237 na divisão de avaliação de 332 tarefas do lite.osworld — uma única configuração reportada em duas GPUs, e não um resultado reproduzido de forma independente. Para RL, os rollouts pontuados no ambiente alimentam atualizações GRPO sobre o Slime, com um exemplo trabalhado do MobileGym cobrindo 416 tarefas móveis em 28 aplicativos.
Por que isso importa agora
Os agentes de computador estão deixando o território da pesquisa para entrar em produtos — assistentes que navegam na web, operam softwares e executam tarefas em desktop e celular. O gargalo deixou de ser “qual modelo é mais inteligente” e passou a ser “como treinar, avaliar e reproduzir esses agentes sem uma infraestrutura cara e fragmentada”. O CUA-Lite ataca exatamente esse ponto: elimina a virtualização aninhada, reduz o consumo de memória de 4,1 GB para 0,9 GB (cerca de 4,6× mais desktops em paralelo) e padroniza o formato de dados.
Para equipes brasileiras e desenvolvedores independentes, a implicação prática é direta: dá para rodar treino e avaliação de agentes de computador em um notebook ou em uma instância de nuvem comum, sem precisar de GPUs caras com KVM nem montar um pipeline do zero. O código e os datasets estão no GitHub e no Hugging Face.
Um alerta importante: o repositório ainda não traz uma licença explícita — vale verificar os termos antes de qualquer uso comercial. E os números de SFT citados são de uma única configuração reportada pela equipe, não de uma reprodução independente.
O projeto pode ser conferido na página oficial, no repositório do GitHub e nos datasets publicados no Hugging Face.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
