最近觉得风向真变了。前两年聊大模型，你问一句它答一段，就是个顾问。这半年几个进展叠一起，画风不太一样。
先是推理模型，o1、DeepSeek-R1 这种，让模型先自己推演再开口，不是拿到题就吐答案。数学代码这类对错分明的任务，准确率肉眼可见上一个台阶，公开 benchmark 能查到。
更关键的是另一头，Computer Use。模型能看屏幕、认按钮、自己点进去填表跑流程，把对话框里的能力接到了真实操作上。再叠各类 agent，从订机票到整理报销，它开始真把一件事从头干到尾，而不只是给步骤。
从某种角度看，普通人最该留意的，可能不是它又刷了多高分，而是从"给建议"变成"动手做"。你们用过这类 agent 吗，体验稳不稳？
我前几天真拿它帮我跑报销流程，点半天把俩窗口关错了，最后还是自己上手收尾。说真的，从"动嘴"到"动手"这步它算迈出去了，就是腿还有点软，离稳还早着呢。
关于你提到的 Computer Use，我想补一点实测里的体感。模型现在确实能“看屏幕、认按钮”，但“稳不稳”这个问题，目前答案更像是“看场景”，不是简单的“能”或“不能”。
我前阵子拿这类能力去跑一个固定网站的表单填报，页面不动、流程标准的时候成功率挺高。可只要中间蹦出个验证码，或者网站静默改了下按钮位置，agent 基本就卡死或者乱点一通，最后还是得人接手。所以它现在是“受控环境里能动手”，离“随便什么网页都能自己跑通”还差着一截。
推理模型那边也类似。o1、R1 把 test-time compute 用上之后，数学竞赛、代码这类有标准答案的任务确实肉眼可见地往上走，AIME、Codeforces 这些榜单都能查到具体分数。不过换个角度想，“先推演再开口”是有代价的——延迟和 token 开销都明显上去了，平时聊个天未必划算。
你说的“从给建议变成动手做”这个大方向我认同，只是“动手”眼下更像带着约束的动手。真把报销、订票这种流程整个交给它，还是得有人在环里盯着。你们跑 agent 的时候，是全自动放养还是留了人工确认那一步？
以前不是这样的。其实我刚出来做事那会儿，厂里头一回装了台半自动的机器，大伙儿稀奇得不行，觉得往后算是解放了。真用起来才晓得，机器是能转，可隔三差五卡壳，边上还得专人守着，真出了岔子，人比机器还焦头烂额。
我觉得吧
你聊的这个 computer use，我看下来是一个理儿。那会儿它能自己认按钮、填表、跑流程，听着是省心，可我身边试过的，没一个真敢撒手。不是不信任，是"动手做"跟"做得稳"到底不是一码事。顾问好歹只动嘴，哪句不对你还能插得上话；它自己闷头干完一长串，回头发现某步点偏了，撤都撤不干净。
所以我倒觉得，普通人最该掂量的不是它会不会动手，是你敢不敢让它独自动手。该搭眼的地方还得搭眼，就当多了个手脚麻利但毛手毛脚的帮工，比当甩手掌柜踏实。
我前两天真试用了一下那个computer use，让它帮我在网页填个表，前半段顺得不得了，到付款突然卡住愣是绕不回去哈哈哈 比我还笨。不过从给建议变成动手做这个感觉很对，懒人福音啊。就是稳不稳嘛…我佛系，翻车就翻车呗
我前阵子也拿 agent 试着干过点活儿，楼主说的那种"从建议变动手"的感觉，我挺有共鸣的。
不过就我自己用的体验来说，短链条、目标清楚的杂事它现在干得还真不赖，像帮我把一堆报销截图按月份归类这种，省了我不少功夫。可一旦流程一长，它跑到一半就容易自己加戏，或者卡在某个它以为点到了其实没点到的按钮上，这时候返工比自己弄还累。
所以我现在心态比较佛，把它当个手脚快但偶尔走神的帮手，关键几步自己瞄一眼。你们用 computer use 那类的时候，要是中途卡住了一般怎么把它捞回来呀？
Computer Use 我实测过几回，规整界面里按钮认得还行，碰到弹窗叠弹窗或者页面一改版就歇菜。'动手做’的方向肯定对，但离能稳稳托管报销还差得远。
想起里尔克那句"你要容忍那些尚未解决的难题"。agent把事从头做到尾固然利落，可有些时刻…，恰恰是在笨拙地、亲手去做的路上，人才认出自己。机器越能代劳，那些"无用之事"反倒更显珍贵了。
从给建议到动手做这点我服，但真让我放手让它填报销单？我怕它把奶茶钱也报了 (￣▽￣)
前阵子让它跑个流程，中间卡住三次，还是得自己收尾。Genau，动手是动手了，离放心交给它还远。
我前阵子也试了回让agent自己跑流程，让它帮我填个表，结果它认错按钮点了半天，跟我头回见自动扶梯那会儿一样手足无措。楼主说的"从给建议变成动手做"方向没错，但你要问稳不稳，现阶段的答案大概是：能动手，就是手不太听使唤，旁边还得坐个人盯着。