文章开头说现有的agent都是局限于特定领域（什么网络问答啊，仅限文字啊，仅限于某一个app啊）这样的，本文的工作主打一个贴近用户使用场景，用户用什么软件，看什么网页，本文的模型就用什么软件，看什么网页，只要是能在windows系统上用的东西本agent都能用，泛用性更强。（常规操作，没啥新颖的）本文使用了OSworld的架构（OSworld论文之前讲过了）。除了数据集以外本文还提出了一个叫Navi的模型

文章提到现在的benchmark测试一般在虚拟机上进行，这样是比较慢的。文章提出可以提高任务并行化。

模型的动作空间如下：

剩下的呆会看