一、引言：背景与核心问题#

ChatGPT 的第一阶段是”会聊天”，第二阶段是”会推理”（o1、deep research），第三阶段就是”会干活”。2025 年这条主线非常清晰——让模型不再只是吐文字，而是接管一段完整的任务：订餐、填表、网购、写研报。业内管 2025 年叫”智能体元年”，我觉得名副其实。

Operator 发布于 2025-01-23，博客和论文双发。它是 OpenAI 第一个浏览器智能体，背后的模型叫 CUA（Computer-Using Agent，计算机使用智能体）。它的姿势跟人一致：截图看屏幕，用虚拟鼠标键盘去点、去拖、去打字。这跟过去”调 API 的机器人”是完全不同的物种——不需要网站给接口，什么网页都能上。

但单点浏览器 agent 很难用，于是 2025-07-17 的 ChatGPT Agent 把 Operator 和 deep research、ChatGPT 的对话能力缝在了一起，跑在自己专用的”虚拟电脑”上，还配了文本浏览器、可视化浏览器、终端、API 和连接器。2025-12-12 北京发布会大规模发布，说明 OpenAI 把它当成全球化产品在推，而不是实验室玩具。为什么要缝合？因为拆开用都不好用：Operator 分析和总结弱，deep research 又不能真的操作网页。

二、方法：架构/数据/训练细节#

CUA 的训练方法（Operator 系统卡里写得很清楚）：监督学习 + 强化学习两段式。监督学习先教会模型基础的”看图 + 点按”能力——读屏幕、定位按钮、准确点击；强化学习再教更高层的本领：多步推理、纠错、适应意外情况。数据包括公开数据集、网络爬虫，以及人工标注的”人类如何用电脑完成任务”的轨迹。核心循环是感知 → 推理 → 行动：截图进上下文 → 用 chain-of-thought（思维链）想下一步 → 执行点击、滚动、输入，直到任务完成或需要用户介入。

安全分级是 Operator 系统卡里最有价值的设计之一：任务按风险分档。低风险放手让 agent 干；涉及金融交易、发邮件、删日历这类关键动作，必须等用户确认；像买卖股票这种风险太高的，直接禁止。系统卡还专门讨论了 prompt injection（提示注入）——网页里藏恶意指令诱导模型干坏事，这是 agent 类产品独有的攻击面。

产品上的限制当初很实：只有美区 Pro 用户能试，速度慢，全程需要人盯着。这些限制不是缺陷，是安全选择——一个全自动替你付款的 agent，出一次错就是灾难。

基准上，CUA 用同一套”屏幕 + 鼠标 + 键盘”通用界面跑通了三类任务：OSWorld（操作系统任务）38.1%（前 SOTA 22.0%，人类 72.4%），WebArena（网页任务）58.1%（前 SOTA 36.2%），WebVoyager 87.0%（前 SOTA 56.0%，人类 87.0%）。网页任务追平或接近人类，完整操作系统任务还差得远。

ChatGPT Agent（2025-07-17）：统一智能体，跑在自有的虚拟电脑上，工具全家桶包括可视化浏览器、文本浏览器、终端、直接 API 调用、ChatGPT Connectors（连接 Gmail/GitHub 等）。发布形态还包括 agent API（把 agent 能力开放给开发者）。配额很关键：Pro 用户每月 400 次 agent 提示，其他付费用户 40 次——10 倍差距直接暴露了 agent 的算力成本：一次 agent 调用可能顶几十上百次普通对话。OpenAI 还透露，为了做它，把 Operator 和 Deep Research 两个团队合并成了一个 20-35 人的统一团队——组织层面的动作比产品本身更能说明战略权重。

成绩：HLE（Humanity’s Last Exam，“人类最后的考试”）pass@1 41.6%，是 o3 和 o4-mini 的近两倍，创下 SOTA；用”并行 rollout”策略（最多 8 次试跑，选自我报告置信度最高的结果）还能推到 44.4%。FrontierMath（目前最难的数学基准）在能调用终端跑代码的情况下 27.4%，吊打此前所有模型。SpreadsheetBench 45.5%（Excel Copilot 只有 20.0%），BrowseComp 68.9%（比 deep research 高 17.4 个百分点），DSBench 超过人类平均，WebArena 也优于 o3 驱动的 CUA。

横向比一下：Google 的 Project Mariner、Anthropic 的 computer use 都在同一时间窗口发布。2025 年整个行业不约而同往”操作电脑”方向挤，这本身就说明 agent 是共识，不是 OpenAI 一家的赌注。

三、成绩：关键实验数字#

• Operator：2025-01-23 发布，CUA 模型，美区 Pro 研究预览
• CUA 基准：OSWorld 38.1% / WebArena 58.1% / WebVoyager 87.0%
• ChatGPT Agent：2025-07-17 首发，2025-12-12 北京大规模发布
• HLE：pass@1 41.6%，并行策略 44.4%（是 o3/o4-mini 的近两倍）
• FrontierMath：27.4%（含终端代码执行）
• SpreadsheetBench：45.5%（Excel Copilot 20.0%）
• BrowseComp：68.9%（比 deep research 高 17.4 个百分点）
• 配额：Pro 400 次/月，其他付费 40 次/月
• 形态：agent API、自有虚拟电脑、computer use、连接器

收尾：我的一点看法#

2025 年叫”智能体元年”当之无愧，但元年不等于成熟年。Operator 的体验——慢、要盯、偶尔翻车——说明”能干活”和”可靠地干活”之间隔着一条很长的路。我的判断是：2025 年真正的产品化胜利不是准确率，而是把”用户预期”教育出来了——大家开始习惯”让 AI 替我办事，我来抽查”，这在两年前是不可想象的。

400/40 的配额设计是我最想吐槽的。这数字明明白白告诉你：agent 的成本到现在都没压下来，OpenAI 宁可限次数也不放开算力。反过来想，这也解释了为什么 2026 年的 GPT-5.6 要推 max/ultra 多智能体并行——把多次 agent 调用打包成一次”深度推理”，成本结构就变了。技术演进是被成本逼着走的，这是技术史上最朴素也最常被忽略的规律。

对 CUA 的”截图 + 虚拟操作”路线，我认可但保留。它的鲁棒性太差：网页一改版、弹窗一变，agent 就懵；截图里藏着 prompt injection 也没法根除。未来要么靠更多强化学习堆出来，要么靠浏览器厂商开放原生接口——后者更可靠，但 OpenAI 手里没有浏览器，命门在别人那儿。

最后从发展史的角度说：Operator 和 ChatGPT Agent 的价值不在分数，而在范式。它们证明了”模型 + 工具 + 循环”可以封装成产品，逼着所有同行跟牌。2026 年 GPT-5.6 的 computer use、多智能体并行、甚至 ChatGPT Work，全都能在这两篇里找到源头。所谓元年，指的不是当年有多成熟，而是从那一年开始，路线定了。

附：核心数据速查#

关键数字表格

关键概念清单

• agent = 智能体（能自主完成多步任务、调用工具的模型应用）
• CUA = Computer-Using Agent（计算机使用智能体）
• computer use = 计算机操作（截图感知 + 虚拟鼠标键盘）
• deep research = 深度研究（多步搜索、阅读、综合成报告）
• chain-of-thought = 思维链（让模型逐步推理的内部过程）
• imitation learning = 模仿学习（监督学习的一种，学人类操作轨迹）
• RL = 强化学习（Reinforcement Learning）
• HLE = Humanity’s Last Exam（“人类最后的考试”，跨学科专家级基准）
• prompt injection = 提示注入（网页/输入里藏恶意指令操纵模型）
• OSWorld / WebArena / WebVoyager = 操作系统与网页任务基准
• agent API = 把 agent 能力开放给开发者的接口
• Connectors = 连接器（接入 Gmail、GitHub 等第三方应用）