xlangai/CUA-Gym

CUA-Gym是一个用于可验证奖励强化学习（RLVR）的可验证计算机使用代理任务集合。每个任务将自然语言指令与可执行的设置工件以及一个Python奖励函数配对，该函数以编程方式检查任务完成情况。详细信息请参阅论文《CUA-Gym: Scaling Verifiable Training Environments and Tasks for Computer-Use Agents》。该版本包含经过必要数据审查后的完整公共CUA-Gym任务集。数据集采用两层Hugging Face布局：1. 在`data/`下的Parquet元数据表，用于快速数据集查看器浏览和程序化过滤；2. 在`artifacts/`下的压缩工件存档，包含原始可执行任务包。这使数据集查看器专注于一个清晰的任务表，同时避免Hub存储库中出现数万个微小文件。数据集旨在用于计算机使用代理和GUI代理、RLVR和程序化奖励设计、合成任务生成、可执行桌面和Web评估以及后训练数据过滤和扩展研究等研究。

CUA-Gym is a collection of verifiable computer-use agent tasks for verifiable reward reinforcement learning (RLVR). Each task pairs natural language instructions with executable setup artifacts and a Python reward function that programmatically verifies task completion. For detailed information, please refer to the paper *CUA-Gym: Scaling Verifiable Training Environments and Tasks for Computer-Use Agents*. This release contains the complete public CUA-Gym task set following necessary data curation. The dataset adopts a two-tier Hugging Face layout: 1. Parquet metadata tables under `data/` for fast dataset viewer browsing and programmatic filtering; 2. Compressed artifact archives under `artifacts/` containing the original executable task packages. This allows the dataset viewer to focus on a clear task table while avoiding tens of thousands of tiny files in the Hugging Face Hub repository. The dataset is intended for research on computer-use and GUI agents, RLVR and programmatic reward design, synthetic task generation, executable desktop and web evaluation, and post-training data filtering and scaling studies.

搜集汇总

数据集介绍

构建方式

CUA-Gym数据集以双层Hugging Face布局构建，底层采用Parquet元数据表存储任务标识、指令、应用类型、难度等结构化字段，上层则压缩归档可执行的原始任务包。每个任务包含自然语言指令、环境配置脚本及一个用于程序化判别任务完成状态的Python奖励函数。任务包涵盖.py、.sh、.xlsx、.docx、.pptx等多种设置工件，并针对Web任务引入占位符机制，要求使用者自托管CUA-Gym-Hub模拟端点后通过脚本对URL变量进行实体化替换，从而保障大规模训练的可复现性与安全性。

特点

该数据集汇聚了10,910个可验证的计算机使用代理任务，覆盖LibreOffice、VSCode、PDF及Instagram、HubSpot等模拟Web应用，横跨桌面、网页与跨应用三大平台。难易度标注覆盖7,365个任务，应用类型多达327种。其奖励机制完全基于最终环境状态进行程序化判断，摒弃了轨迹过程的主观评估，为强化学习与可验证奖励（RLVR）研究提供了客观、可扩展的评判标准。此外，数据集还包含了丰富的合成凭证与模拟数据，以支持安全的离线实验。

使用方法

使用者可通过Hugging Face datasets库加载任务元数据表进行浏览与筛选，亦可借助huggingface-cli下载完整归档及辅助脚本。执行任务时，需从压缩包中提取对应任务目录，解析task.json获取指令与配置，运行初始设置脚本搭建环境，随后调用reward.py对代理完成任务后的环境状态进行评分。为确保安全性，所有可执行代码均建议在隔离的虚拟机或容器内运行，并禁用对个人文件及生产服务的访问权限。Web任务需先自建模拟端点并材料化URL占位符后，方可正常执行设置与奖励逻辑。

背景与挑战

背景概述

CUA-Gym是由Bowen Wang、Dunjie Lu等研究者于2026年发布的一个专为计算机使用（computer-use）智能体设计的可验证训练环境与任务集合。该数据集由xlang.ai团队主导构建，旨在解决图形用户界面（GUI）智能体在强化学习（RL）中缺乏标准化、可编程奖励信号的核心困境。通过提供超过一万个涵盖桌面办公（如LibreOffice）、代码编辑器（VS Code）、模拟网页应用（如Instagram Mock）及跨应用场景的合成任务，CUA-Gym为基于可验证奖励的强化学习（RLVR）研究提供了规模化、可复现的基准资源，其发布标志着智能体训练从封闭环境向开放式、程序化验证范式的关键跨越。

当前挑战

CUA-Gym所承载的核心挑战在于弥合自然语言指令与底层环境状态之间的语义鸿沟，为计算机使用智能体构建具备可验证奖励的强化学习框架。领域层面，传统GUI智能体评估依赖人工指标或近似评分，缺乏对任务完成状态的自动化、确定性判定，阻碍了大规模RL训练的实施。数据集构建过程中，研究团队需克服异构任务逻辑的统一表达难题，将网页端点占位符（如__CUA_GYM_GMAIL_URL__）映射至本地部署的服务，并处理327种应用类型中涉及的多语言脚本（Python、Shell）及办公文档（XLSX、DOCX、PPTX）等复杂执行构件。此外，奖励函数仅评估终端状态而非过程正确性、部分任务缺乏难度标签，以及模拟网页环境对现实网络行为的简化，均构成了该数据集用于规模化训练时的潜在挑战。

常用场景

经典使用场景

CUA-Gym 作为一个为计算机使用智能体设计的可验证任务集合，其经典使用场景聚焦于强化学习与可验证奖励（RLVR）的范式。该数据集将自然语言指令与可执行的设置工件及Python奖励函数巧妙耦合，为训练和评估桌面与网页智能体提供了标准化的操作环境。研究者可基于此构建从文件编辑到跨应用协作的复杂任务链路，利用奖励函数对智能体的最终状态进行程序化判定，从而在可控条件下系统性地提升智能体的决策能力与任务完成精度。这一设计使得CUA-Gym成为验证智能体泛化性能与鲁棒性的理想试验场。

衍生相关工作

CUA-Gym的发布催生了一系列引人瞩目的衍生研究工作。围绕可验证奖励函数的设计优化，学者们探索了多粒度奖励建模与稀疏奖励信号下的探索策略，显著提升了智能体在长周期任务中的学习效率。同时，基于该数据集的任务生成范式启发了自动化任务构建工具的发展，如利用大语言模型动态合成新任务以扩充训练集合。在评估框架方面，研究者提出了更细粒度的过程监督方法，弥补了CUA-Gym仅评估最终状态的局限。这些工作共同推动了计算机使用智能体从实验室原型向实用化系统的演进，并衍生出诸如WebArena与OSWorld等互补性基准，形成了繁荣的学术生态。

数据集最近研究

最新研究方向

CUA-Gym作为首个大规模、可验证的计算智能体训练环境与任务集合，正引领计算机使用智能体与GUI智能体领域从静态基准向可扩展强化学习训练范式的深刻转型。该数据集精心整合了涵盖桌面办公（如LibreOffice套件）、集成开发环境（VSCode）、模拟网页应用（如Instagram、HubSpot模拟站）以及跨应用场景在内的逾万项可执行任务，每项任务均配备自然语言指令、初始化工件与编程式奖励函数，为基于可验证奖励的强化学习提供了坚实的数据基础。在当前大语言模型驱动的智能体研究热潮中，CUA-Gym的发布恰逢其时，它不仅解决了传统评估中环境封闭、奖励稀疏、难以规模化等核心瓶颈，更通过开源发布和高度模块化的架构，为学术界与工业界探索智能体后训练数据筛选、动态任务生成、跨平台泛化能力等前沿议题开辟了全新路径。这一数据集的深远意义在于，它将智能体的训练与评估从单一的Web导航场景拓展至复杂的多应用桌面环境，极大地推动了能够自主执行真实世界计算任务的通用智能体的研究进程。