摘要

在网页、桌面和移动环境之间实现跨平台泛化，仍是当前面临的一大挑战，因为以往的系统依赖于特定于环境的接口，从而限制了其在多平台间的部署能力。我们提出 Surfer 2，一种完全基于视觉观测的统一架构，在三类环境中均实现了当前最优性能。Surfer 2 集成了分层上下文管理、解耦的规划与执行机制，以及具备自验证与自适应恢复能力的系统设计，从而在长周期任务中实现可靠运行。在 WebVoyager 上，系统达到 97.1% 的准确率；在 WebArena 上为 69.6%；在 OSWorld 上为 60.1%；在 AndroidWorld 上为 87.1%，所有指标均超越此前所有系统，且无需针对具体任务进行微调。在允许多次尝试的情况下，Surfer 2 在所有基准测试中均超过人类表现。这些结果表明，通过系统化协调可显著增强基础模型的能力，仅通过视觉交互即可实现通用计算机控制。同时，这也凸显出对下一代视觉-语言模型的需求，以实现成本与效率之间的帕累托最优。