OpenGCUA: உங்க Computer-ஐயே தானா Operate பண்ண வைக்கும் Open Source AI Project

OpenGCUA அப்படின்னா என்ன?#

சரி, இதை ஒரு Simple Example-ஆ பாக்கலாம். உங்க Office-ல ஒரு New Employee வர்றான். அவனுக்கு ஒரு Task கொடுக்கிறீங்க, Excel File-ல இருக்குற Data-வை Website-ல Upload பண்ணணும்னு. Normal AI Agent எப்படி பண்ணும்? Screenshot எடுக்கும், எந்த Button Click பண்ணணும்னு யோசிக்கும், Type பண்ணும், இன்னொரு Screenshot எடுக்கும் — இது Slow-ஆ, Step-by-Step ஆ போகும். இதுக்கு பேர் GUI-only Computer Use.

ஆனா OpenGCUA Paper சொல்லுது, இப்போ AI அந்த Level-ஐ தாண்டி போகுது. அதாவது, AI-க்கு Programming தெரிஞ்சா, அந்த Task-ஐ ஒரு Script எழுதி ஒரே Shot-ல முடிக்கலாம். இந்த Decision-ஐ — Click பண்றதா இல்ல Code எழுதறதா — AI தானே எடுக்கும். இதையே Paper 'Generalist Computer-Use Agent' அல்லது GCUA-ன்னு Define பண்ணுது.

இந்த Research-ஐ Tongyi-MAI Group வெளியிட்டிருக்காங்க. அவங்க Point ஒண்ணு — GPT-6 Astra-வோட Computer-Use System மாதிரி Frontier Products Closed-ஆ இருக்கு. அதனால யாருக்கும் அது உள்ள எப்படி Work ஆகுதுன்னு தெரியாது. அதனால இவங்க Full Stack-ஐ — Code, Prompts, Evaluation Logs எல்லாமே — Open-ஆ GitHub-ல போட்டிருக்காங்க.

Researchers இந்த System-ஐ எப்படி Build பண்ணி Test பண்ணாங்க?#

Idea-வை இன்னும் Simple-ஆ சொன்னா — AI-க்கு ரெண்டு Mode கொடுத்திருக்காங்க. ஒண்ணு, Screen பார்த்து Click/Type பண்றது. இரண்டு, நேரடியா Code Execute பண்ணி Result-ஐ பார்த்து அடுத்த Step முடிவு பண்றது.

'Intermediate Results Determine Subsequent Operations' - இது Paper-ன் வரி. அதாவது ஒரு Step முடிஞ்சதும், அதன் Result-ஐ வச்சு AI அடுத்த Step-ஐ தானே தீர்மானிக்கும். ஒரு Fixed Script மாதிரி இல்லாம, Human-மாதிரி Flexible-ஆ Think பண்ணும்.

இன்னொரு Interesting Concept — 'Harness-to-Model Decision Transfer'. இதுவரைக்கும் Agent-ஐ Run பண்ண ஒரு Fixed Software (Harness) இருக்கும், அது தான் 'Task முடிஞ்சதா?', 'என்ன பார்க்கணும்?'ன்னு Rule-ஆ Decide பண்ணும். OpenGCUA இந்த Decision-களையும் Model-கிட்டயே தரணும்னு பாக்குது. அதாவது, Rule Book குறைச்சி, AI-யோட Own Judgement-ஐ அதிகம் பயன்படுத்துறது.

Results-ல Paper என்ன Claim பண்ணுது?#

இப்போ Numbers பக்கம் வரலாம். Paper OSWorld-v2 பேர்ல ஒரு Benchmark-ல இவங்க Full Setup-ஐ எட்டு Different Models-ல Test பண்ணி இருக்காங்க — அதுல GPT-6 Astra, Claude Opus 5 கூட Include.

Claim படி, எல்லா எட்டு Models-லயும் Task Score மேம்பட்டிருக்கு. Mean Partial Score Average-ஆ +19.6 Points அதிகரிச்சிருக்கு. அதே Time-ல, Batched GUI-only Execution-உடன் ஒப்பிட்டா, Steps per Task Average-ஆ 53% குறைஞ்சிருக்கு.

இதை Simple-ஆ சொன்னா — AI Task-ஐ முன்னைய மாதிரியே Correct-ஆ முடிக்குது, ஆனா Half Steps-க்கு கீழ. அதாவது Less Clicks, Less Screenshots, More Direct Action. இது Paper-ல சொல்லப்பட்ட Claim, TamilTech இதை Independent-ஆ Verify பண்ணலை.

இது Indian Developers, Startups, Students-க்கு என்ன மாதிரி பயன்படும்?#

இப்போ இதுல Real Talk. இது இன்னும் ஒரு Research Paper தான், உடனே உங்க Flipkart App-ல இல்ல IRCTC Booking-ல வந்து சேராது.

ஆனா Developers-க்கு இது ரொம்ப Valuable. ஏன்னா Code-உம் GitHub-ல Open-ஆ இருக்கு — அதாவது யார் வேணாலும் Download பண்ணி படிக்கலாம், இந்த Architecture-ஐ Study பண்ணலாம், Modify பண்ணி தனி Project Build பண்ணலாம். Indian Startups, Especially Automation, RPA (Robotic Process Automation) அல்லது AI Agent Tools Build பண்ற Companies-க்கு இது ஒரு Free Reference.

Students-க்கு இது ஒரு நல்ல Learning Material. AI Agents எப்படி Design ஆகுது, Code Execution-ஐ எப்படி Agent Loop-ல Integrate பண்றதுன்னு Hands-on Study பண்ண Full Prompts, Trajectories எல்லாம் Public-ஆ இருக்கு. Resume-ல 'I studied an open AI agent framework' போடலாம்னு Bragging Rights மட்டும் இல்ல, Actual Code Review பண்ணி Skill-ஐ Build பண்ணிக்கலாம்.

Startups-க்கு Point என்னான்னா — ChatGPT, Claude Computer Use போன்ற Closed Tools-ஐ Rely பண்ணாம, இதே Idea-வை வச்சு Custom Agent Build பண்ண Attempt பண்ணலாம். UPI Reconciliation, Data Entry, Internal Dashboard Automation மாதிரி Boring Repetitive Tasks-க்கு இதே மாதிரி Hybrid (GUI + Code) Agent Useful ஆகும்.

இதுல என்ன Limits இருக்கு, இன்னும் Product-ல வரலையா?#

Honestly சொன்னா, இது Day 1 Research Release. Paper-ல Code, Evaluation Trajectories, ஒரு Preliminary Real-Device Harness, ஒரு Cross-Device SDK-வோட Early Version மட்டும் வந்திருக்கு.

அதாவது, இது Still Evolving. GitHub Star Count 48 மட்டும் தான் இப்போ இருக்கு, இது ஒரு Brand New, Active Project-ன்னு காட்டுது. Production-Ready Tool இல்ல, Researchers மற்றும் Builders-க்கான Starting Point.

இன்னொரு Honest Point — இந்த Results எல்லாமே OSWorld-v2 என்ற ஒரு Specific Benchmark-ல Test பண்ணது. Real-World Apps, Indian Language UI, Local Apps போன்றதுல இது எப்படி Perform பண்ணும்னு இன்னும் தெரியாது.

இதுல அடுத்து கவனிக்க வேண்டியது என்ன?#

Tongyi-MAI இதை 'Ongoing Project'ன்னு தான் Call பண்றாங்க. அதாவது இன்னும் Updates, Full Version Releases வரலாம்னு எதிர்பார்க்கலாம்.

நீங்க ஒரு Developer-ஆ இருந்தா, GitHub Repo-வை Follow பண்ணலாம். ஒரு Curious Reader-ஆ இருந்தா, இந்த மாதிரி Open AI Agent Projects அதிகரிக்கும்போது, Closed Frontier Products-க்கும் Open Alternatives-க்கும் Gap குறைஞ்சு வருவதை கவனிச்சுக்கலாம்.

ஒரு Developer இதை Step-by-Step ஆ எப்படி Try பண்ணலாம்?#

உதாரணமா, Coimbatore-ல ஒரு Small Textile Export Company Accountant நாள் முழுக்க Tally Software-ல Invoice Data-வை Excel-க்கு Copy பண்ணி, அப்புறம் அதை Government GST Portal-ல Manual-ஆ Upload பண்றாரு. இது Repetitive, Boring, Error-Prone Work. இந்த மாதிரி Task-களுக்கு தான் OpenGCUA Style Agent Design Useful ஆகும்னு Paper Point பண்றது.

GitHub Repo-வை Clone பண்ணி, Prompts, Evaluation Trajectories-ஐ முதல்ல படிக்கணும். அப்புறம் Local-ஆ ஒரு Sandbox Environment Setup பண்ணி, Simple Task கொடுத்து — Screen Click Mode-லயும், Code Execution Mode-லயும் — எப்படி Agent Behave பண்றதுன்னு Compare பண்ணி பார்க்கலாம். இது Theory Padikிறதை விட, Hands-on Experience கொடுக்கும்.

Developers இந்த Harness-to-Model Decision Transfer Concept-ஐ தனி Project-ல Try பண்ணலாம் — அதாவது Fixed Rules எழுதாம, Model-கிட்டயே 'இந்த Task முடிஞ்சதா?'ன்னு Judge பண்ண விடுறது. இது உங்க Own Automation Script-ஐ Smart-ஆ Build பண்ண ஒரு நல்ல Starting Template.

இந்த மாதிரி AI Agent News படிக்கும்போது என்ன Mistake பண்ணக் கூடாது?#

முதல் Mistake — '309 Hugging Face Upvotes வந்திருக்கு, அப்போ இது Officially Verified, Peer-Reviewed Research'ன்னு நினைக்கிறது. Upvotes என்பது Community Interest-ஐ காட்டும், அது Scientific Validation இல்ல. Paper-ன் Claims-ஐ Independent-ஆ யாரும் இன்னும் Re-Test பண்ணி Confirm பண்ணலை.

இரண்டாவது Mistake — GPT-6 Astra, Claude Opus 5 Benchmark-ல Mention ஆகுதுன்னு, இந்த Companies OpenGCUA-வை Officially Support பண்றாங்கன்னு நினைக்கிறது. இல்ல, இவங்க Models-ஐ Testing-க்கு Use பண்ணி இருக்காங்களே தவிர, OpenAI அல்லது Anthropic இதுல Partner இல்ல. இந்த Difference-ஐ Clear-ஆ புரிஞ்சுக்கணும்.

மூன்றாவது Mistake — OSWorld-v2 Benchமார்க் Result-ஐ Real-World Performance-ஆ நேரடியா எடுத்துக்கிறது. Benchmark Test Environment ஒரு Controlled Setup, உங்க Daily Chennai Office Software, Tamil UI Apps, Local Banking Portals-ல இதே Result வருமா-ன்னு இன்னும் யாருக்கும் தெரியாது. Research Number-ஐ Marketing Claim-ஆ மாத்தாம, அதை அதே Scale-ல தான் பார்க்கணும்.