摘要
本次精确日期审计保留四项可形成长期知识的实现：MinigamesBenchmark 把纯像素 CUA 评测拆成可重放的短游戏与多节奏协议，Agent Seatbelt 提供执行前 fail-closed 策略门，System1 Agents 将低延迟 Laya 决策模型外置为有 deadline、retry 和 provenance 的服务，Cua 则修复了真实 GUI 输入重复、提交后误重试和 gVisor/arm64 浏览器兼容问题。
核心内容
- MinigamesBenchmark 的关键不是“有 70 个小游戏”，而是把相同游戏代码用于桌面、WebAssembly、Python replay 和容器 runner，并用种子与输入记录复验终局；当前没有公开模型排名。（来源：原始资料（本地存档））
- Agent Seatbelt 把动作执行资格放在模型外：未知或无规则动作默认拒绝，审计记录写入失败也不执行；但它只保护显式经过 gate 的调用，不是 OS 或浏览器沙箱。（来源：原始资料（本地存档））
- System1 Agents 的 served Laya 更新把“快决策模型”从进程内依赖变成可共享服务，同时把 checkpoint、device、deadline、retry 和 timing 写进 run artifact；作者报告的 90 次路由一致性不等于真实 CUA 成功率。（来源：原始资料（本地存档））
- Cua Driver 的窗口内修复说明低层输入回执会直接影响长程可靠性：字段提交后值被重写时，把已发送文本误判为 partial delivery 会让上层重试并产生重复副作用。（来源：原始资料（本地存档））
- 四项工作均为 runtime、评测或安全机制，不是严格 Agentic RL，也不构成严格 Recursive Self-Improvement。（综合：原始资料（本地存档））
相关页面
- 概念：Computer-Use Agent、Execution-Based Agent Evaluation、Harness Engineering、Agentic RL
- 实体：MinigamesBenchmark、Agent Seatbelt、System1 Agents、Cua
- 主题：Browser and Computer-Use Agents、Agent Harness 与 Agentic RL 开源生态
来源
- 原始文件：原始资料（本地存档）
- 定位信息：各项目小节保留仓库、提交、时间、许可证、验证与边界。
待核实问题
- MinigamesBenchmark 需在 Rust 1.88+ 与容器 runner 上复跑，并获得固定模型、固定 seed 的公开基线。
- Agent Seatbelt 需要真实 browser loop 集成、绕过测试和 approval UI 端到端验证。
- System1 Agents 需要真实 served checkpoint 与 CUA episode 的延迟、路由和失效恢复复现。
- Cua 的 gVisor/arm64 seccomp 取舍和输入回执修复需跨平台实机验证。