两场换挡：剥掉 API，再问行为从哪来

一、客座讲者与他的来路

第 4 讲的第一节课是客座。开场介绍用了两分钟：JY Koh，Fried 的博士生，来 CMU 前在 Google Research，读博间隙还回产业界带了 Meta TBD 的 computer use 团队一年半（字幕）。

这不是一位普通讲者。第三讲委派篇的 MACU，一作就是他；课程后面的 Search 专场还是他。听他讲 CUA 的地基，等于提前见了后两场的主角。

二、第一场换挡：剥掉 API

CUA 的定义一句话说完：输入是截图，输出是人用的那套动作，点击、滚动、滑动、键入（L7 开篇）。模型站在与人完全相同的接口上干活。

讲义的贯穿例子是买一只蓝色马克杯。任务、截图、一句 I see a blue mug 的推理、一个格式化点击动作，循环往复。这个例子在后面反复出场，价值账与三把尺子的详解都拿它开刀，这里只留个脸熟。

为什么说这是能力篇的收尾考试？前三讲的工具、上下文、规划，全都默认有 API 或结构化接口可调。把接口剥到只剩屏幕，等于把所有脚手架一次拆光，模型还能不能干活，是难度拉满的检验。

三关摆在明面：视觉定位要点得准，动作方言要选得对，长程误差要扛得住。三关各有一篇详解下钻，从像素到动作篇、长时程税篇接力。

三、第二场换挡：从行为到来源

第二节调头。前三讲回答的是 Agent 已经会什么，从这里开始问这些行为是从哪来的。

第一条路径偏偏最朴素：监督微调，把录下的轨迹写进权重。4b 的副标题就是在说这件事，原句见讲次页导语。

两节放进同一讲不违和。一个讲行为长什么样，一个讲行为怎么学，首尾相接；而学会操作电脑的第一条路径，就是看着人的示范照做。

于是屏幕上那串截图与点击，在 4a 里是评测对象，到 4b 里变成了训练数据。同一批轨迹，两种身份。

四、一条暗线在此接头

课程线索在这里交叠。介绍里说他是这一域最有影响的几个基准的作者之一（字幕）；Odysseys 数据集第三讲已露面，一作 MACU 在委派篇当过正方证据；他自己还欠一场 Search 课。

对听者来说，这一讲既是能力篇的终考，也是训练篇的预告片。收束篇会把两节的账对齐，清单里每一条都能在中间八篇找到属地。