计算机使用代理（Computer-use agents，CUA）通过视觉与控制原语操作图形用户界面（GUI），近年来能力提升迅速。这一进展部分得益于标准化在线评测基准（如 OSWorld）的推动——它们既是评估工具，也是强化学习的训练环境。然而，在当前的评测版图中，macOS 仍然未得到充分覆盖。论文作者指出，目前唯一存在的 macOS 基准 macOSWorld 仅覆盖少量第一方应用、任务也较为简单，并且运行在无法兼容 Apple Silicon 的 x86 虚拟机上。
为填补这一空白，研究者提出了 MacArena。该基准包含 421 个经过人工验证的任务，横跨 50 个应用，任务来源由三部分构成：对 OSWorld 任务进行精选移植、来自 macOSWorld 的内容，以及 49 个全新的 macOS 原生任务。整套基准运行在 Apple 原生 Virtualization 框架之上，基于 Apple Silicon 硬件，从而克服了既有 macOS 基准在平台兼容性上的限制。
作者的核心论点是：macOS 呈现出不同于 Linux 基准所能捕捉的独特 GUI 挑战。评测结果支持了这一主张。他们在论文中指出，模型在既有基准上的强劲表现，可能更多反映的是其对任务分布的熟悉程度，而非真正的跨平台 GUI 能力。一个尤为值得注意的现象是，模型排名在移植任务与 macOS 原生任务之间发生倒挂：在 MacArena 子集上，某个原本领先的模型落后超过 26%。这一结果提示，对于当前的 GUI 代理而言，macOS 构成了一个确实更加困难的环境。
该论文由 Victor Muryn 等四位作者完成，于 2026 年 6 月 4 日提交，并被 ICML 2026 第二届“Agents in the Wild: Safety, Security, and Beyond（AIWILD）”研讨会接收。论文主题涉及机器学习（cs.LG）、人工智能（cs.AI）与人机交互（cs.HC）。其 arXiv 编号为 2606.06560，DOI 为 10.48550/arXiv.2606.06560，全文可通过 PDF、实验性 HTML 与 TeX 源码等形式获取。
从更广的意义上看，MacArena 的价值不仅在于增加了一个新基准，还在于它对现有评测结论的可迁移性提出了质疑。如果模型在单一平台基准上的高分部分源于对特定任务分布的适应，那么跨平台能力就需要用真正覆盖不同操作系统环境的基准来衡量。MacArena 通过原生 macOS 任务与移植任务的对比，为这一方法论问题提供了可操作的经验证据，也为后续 GUI 代理的训练与评估提供了新的方向。