Cua Driver给Agent补上「眼睛」：纯像素界面也能识别按钮和文字

动察 Beating AI 快讯，开源 Computer Use 工具 Cua 给 Cua Driver 加入可选的 Perception 视觉扩展。Driver 原本优先通过网页结构和系统无障碍树找按钮。遇到 Canvas、游戏、远程桌面或自绘应用时，这些结构可能为空。Perception 会直接读取截图，把画面拆成带文字、类型和位置的区域，供 Agent 继续操作。

首版用 OmniParser 识别图标和控件，用 PP-OCR 读取文字。整个解析过程在本机 CPU 完成，不需要 GPU，也不把截图发到网络。官方实测单张截图在 macOS 约需 2 至 2.5 秒，Linux 为 3.5 至 4 秒，Windows 为 8 至 9 秒。它主要在页面结构和无障碍树失效时兜底，不会默认每一步都跑视觉解析。

Cua 还限制了视觉操作对旧截图的复用。每次视觉识别都会绑定当前截图的 `capture_id`，随后点击必须来自同一张截图。截图超过 60 秒，或者已经执行过一次操作，Driver 就会拒绝继续使用，避免界面变化后还拿旧坐标误点。

Cua 过去其实已经能通过 `cua-som` 和 OmniParser 做视觉定位。现在这套能力被直接接进 Cua Driver，上层 Agent 可以通过统一接口拿到识别结果。即使模型本身不会看图，也可以根据这些文字和区域信息决定下一步操作。

Perception 不是默认组件，其中 OmniParser 检测器采用 AGPL-3.0；Cua Driver 仍保持 MIT 协议。