夜雨聆风前两天，豆包电脑版悄悄上了个新功能，叫「虚拟桌面」——让豆包看到你的电脑屏幕，像人一样用鼠标键盘操控电脑。这能力业内有个专门的名字：CUA，Computer-Use Agent，计算机使用智能体。
为什么单独拎出来说？因为有了 CUA，几乎所有"人能操作的软件"，AI 现在也能操作了，不需要额外接口。
举个最直接的例子：微信。Agent 没法直接调用微信的接口，但有了 computer use，AI 能直接"看"到微信里的内容，还能替你点鼠标、敲键盘发消息。
其实 OpenAI 和 Anthropic 很早就把 computer use 做进了自家产品。用过 Codex 和 Claude Code 的应该不陌生。按业内常引用的数据，Claude 在桌面操作基准 OSWorld（专门测 AI 能不能像人一样操作电脑的权威榜单，丢一堆真实桌面任务看完成率）上能跑到 72.5% 左右。
国内为什么缺席？差的是"模型底座"
很长一段时间，国内没一家头部 agent 跟上——大模型卷得这么凶，偏偏这块缺席，挺奇怪。
原因在于：computer use 不是接个工具就行，它依赖一种"原生 CUA 大模型"。
什么意思？现在很多多模态模型确实有视觉能力，能截屏识别内容，但它们并不知道具体该怎么操作电脑。真正的 CUA 要"看得懂界面上的按钮、菜单、输入框是干嘛的"，还能输出"点哪个坐标、输入什么字"这种具体动作——这块需要专门训练。
打个比方，人都有眼睛，可不是人人都会用电脑；有人会用 Windows 但对 macOS 的操作逻辑就很懵；有人精通 PR，有人玩转达芬奇——这是对某种界面或者说是软件的"操作经验"。
大模型也一样，看得见屏幕，未必懂那些按钮、菜单是干嘛的，操作起来磕磕绊绊甚至乱点。所以"有眼睛"不等于"会用电脑"。
OpenAI 和 Anthropic 早就开始训练自家 AI 认识并使用操作界面了，所以能在 Codex 和 Claude Code 里直接用上。国内此前缺的不是产品，缺的就是这个"模型底座"。
豆包这次，大概率用的是 UI-TARS
字节 Seed 团队从 2025 年 1 月开始，和清华一起开源了一个叫UI-TARS的 GUI 智能体模型。字节官方当时就写明，UI-TARS 的目标之一是"让豆包这样的平台能替用户完成更复杂的任务"；后来媒体也扒出，去年底跟中兴合作发布的豆包手机助手，底层用的正是 UI-TARS 的闭源版。
所以豆包电脑版这个「虚拟桌面」，虽然字节没公开具体用了哪个模型，但大概率出自同一条技术脉络。
差不多同一时间，阿里也放出了自家原生 CUA 大模型 Qwen-CUA，在 OSWorld-Verified 上跑到了 86.2 分（更大的 Qwen-CUA-Max 是 87.6）。到 2026 年 8 月这个节点，国内已经有两家能拿出手的原生 CUA 大模型了。
不止是技术能力
CUA 的逻辑是"不靠接口、直接操作界面"，等于绕开了某些超级 App 自己修的墙——你不用打开首页、不用看推荐流，不用看广告，AI 直接帮你操作、下单。超级 App 花十年建起来的"入口"和"流量闭环"，第一次被人从底层绕过去了。所以 CUA 不只是个技术能力，它是在重写软件和用户之间的关系。这才是这件事真正值得追下去的地方。