构建可靠的计算机使用代理（computer-use agents）需要具备“具身化”（grounding）能力，即能够准确地将自然语言指令与屏幕上的正确元素关联起来。尽管现有大量数据集可用于网页和移动应用交互，但针对桌面环境的高质量资源仍十分有限。为填补这一空白，我们提出了 GroundCUA——一个基于专家人类示范构建的大规模桌面具身化数据集。该数据集涵盖12个类别中的87款应用，包含56,000张屏幕截图，所有屏幕元素均经过精细标注，总计超过356万条经人工验证的标注信息。基于这些示范，我们生成了多样化的自然语言指令，覆盖了广泛的真实世界任务场景，为模型训练提供了高质量的数据支持。利用 GroundCUA，我们开发了 GroundNext 系列模型，能够将自然语言指令映射到目标用户界面元素。在3B和7B两个规模下，GroundNext 通过监督微调在五个基准测试中均达到当前最优性能，且所需训练数据不足以往工作的十分之一。在后续采用强化学习进行后训练后，模型性能进一步提升。当在 OSWorld 基准测试中以 o3 作为规划器，在代理（agentic）设置下进行评估时，GroundNext 的表现可与那些使用远超其数据量的模型相媲美，甚至更优。这些结果充分证明了高质量、专家驱动数据集在推动通用计算机使用代理发展中的关键作用。