# OSReward: Instituting Standardized Evaluation for Cross-Platform Computer-Use Reward Models
- 来源：huggingface · https://huggingface.co/papers/2607.28609
- 作者：Qiushi Sun, Kanzhi Cheng, Yian Wang, Bowen Yang, Hang Yan, Liheng Chen, Fangzhi Xu, Zichen Ding, Nuo Chen, Jialin Cao, Xingdong Gong, Zehao Li, Kaiming Jin, Xinfeng Yuan, Zhoumianze Liu, Jingyang Gong, Zhangyue Yin, Jiahui Gao, Zhiyong Wu, Tianbao Xie, Jianbing Zhang, Ben Kao, Lingpeng Kong

> 开源CUA轨迹奖励模型，低成本可替代商用VLM裁判

## 概要

OSReward 是一个评估 VLM 作为 computer-use agent (CUA) 轨迹裁判的基准，发现现有 VLM 裁判普遍存在宽松偏差，且高性能模型成本过高。为此，作者构建了 OS-Shepherd-100K 语料并训练了开源奖励模型 OS-Shepherd（9B/35B），以 30-60% 的成本达到商用裁判的可靠性。该工作对 CUA 的评估、数据筛选和 RL 训练有直接影响。

## 对我的影响

- **可用性**：OS-Shepherd 可作为我们导购 agent 中多步任务执行的自动评估器，替代昂贵的人工审核或不可靠的 VLM 裁判，用于筛选高质量轨迹数据或作为 RL 奖励信号。
- **判断改变**：之前认为 VLM 裁判是低成本方案，但 OSReward 揭示其宽松偏差可能严重高估 agent 成功率，需要谨慎使用；开源模型与商用差距也提醒我们选型时要评估成本-可靠性平衡。
- **下一步**：跑通 OSReward 基准和 OS-Shepherd 模型，在导购场景中构建小规模数据集，比较它与 GPT-4o 等裁判的一致性；同时跟踪该领域后续工作。

---
*导出自 前沿论文情报台*