Yutori 发布 Navigator n2：27B 模型打通桌面与终端

如果让你把文件夹里的 100 张照片按顺序重命名，你大概率会写个脚本或者跑一行命令，而不是傻傻地鼠标右键点 100 次。

但这正是过去大多数计算机代理（Computer-use Agent）在做的事：它们坐在屏幕前，笨拙地模仿人类去截屏、找按钮、点击、打字。

AI 初创公司 Yutori 正式发布了 Navigator n2。这是一个 27B 参数的桌面操作系统模型，不仅能看懂屏幕，还学会了在图形界面、命令行和写代码之间自由切换。

不做「机械臂」，做系统原生操控

Yutori 之前推出的 n1 和 n1.5 只能在浏览器里跑，而这次的 n2 则是跨 Linux、macOS 和 Windows 的全功能桌面模型。

团队提了一个核心观点：人之所以用图形界面，是因为界面是给人设计的，但 AI 没必要给自己套上这层枷锁。如果重命名 100 张照片只要终端里的一句循环，模型就该直接敲命令行；只有遇到必须看图、点按钮或者网页交互时，它才切换回图形界面。

在 OSWorld 2.0 这项复杂的长流程基准测试中，n2 拿到了 65.2% 的成绩，超过了 GPT-5.6 Sol 的 62.6% 和 Claude Fable 5 的 66.1%，仅次于 Claude Opus 5 的 70.6%。在检验图形界面与命令行混合任务的 WeaveBench 上，它跑出了 70.3% 的高分；在验证真实桌面任务的 OSWorld-Verified 上，它甚至拿下了 85.3%，压过了 Kimi K3 和 Claude Fable 5。

用自己的 AI 抓自己的虫

要让一个 27B 的中体量模型打平甚至超越大模型，关键在于数据和训练方式。

Yutori 把代理自己丢进了训练数据的生成飞轮里。过去两个月，他们让计算机代理在数百个真实应用中探索，摸清楚哪些操作可行，由此生成了 1 万多个涵盖商业服务、工程设施、数据分析等领域的真实任务。

每个任务都会配上专门的验证器，直接检查系统的最终状态，比如数据库记录有没有变、文件有没有生成，而不是听模型自己汇报。如果模型通过作弊或者非预期路径蒙混过关，验证器就会把这些边缘情况抓出来，变成下一轮训练的反面教材。

此外，团队采用了一种叫作在线自蒸馏（OPSD）的学习方式，据称在耗时上比常规强化学习快了 4 倍，特别适合让模型攻克原本成功率为零的硬骨头。

在成本上，n2 的 API 输入定价为每百万 token 0.5 美元，命中缓存只要 0.05 美元，输出则是 4 美元。

为什么重要

我们认为，Navigator n2 最有价值的地方在于打破了「操作电脑等于模拟鼠标」的思维定势。

对于想要开发自动化工作流的团队来说，之前的计算机代理最大的问题不是笨，而是又慢又贵。调用超大模型每看一张截屏都要花上几美分，一步点错还要反复回滚。n2 依靠 27B 的体积和混合交互逻辑，把成本压到了极低区间。这意味着普通开发者哪怕跑一个长达几百步的桌面自动化流程，钱包也不会立刻见底，完全值得现在接入 API 做真实场景的概念验证。

从行业竞争来看，它给一味堆砌视觉多模态大模型的厂商提了个醒：只靠屏幕截图做桌面代理，在很多系统级任务上是极其低效的。让模型学会什么时候调 API、什么时候敲 Bash、什么时候才去点按钮，可能比单纯提升图像识别精度更能解决实际问题。

不过看起来它的隐患也很明显。一个拥有完整代码执行和终端权限的代理，在跨应用操作时一旦发生幻觉或者走偏，对本地系统的破坏力远高于纯点击界面。如何在没有人工逐帧盯防的前提下给它的命令行加上防越权护栏，会是工程落地上最大的考验。