Cet article propose SEAgent, un framework pour agents informatisés (AIC) qui apprennent et évoluent de manière autonome dans de nouveaux environnements logiciels sans intervention humaine. Basé sur des modèles vision-langage à grande échelle (LVLM), SEAgent apprend de nouveaux logiciels par apprentissage expérientiel par essais-erreurs. Il apprend en exécutant des tâches générées automatiquement, du plus simple au plus complexe, en utilisant un modèle d'état mondial pour une évaluation détaillée du parcours étape par étape et un générateur de programmes pour générer des tâches de plus en plus diversifiées et exigeantes. La politique de l'agent est mise à jour par imitation contradictoire pour les actions échouées et par optimisation de politique relative de groupe (GRPO) pour les actions réussies. De plus, nous développons un AIC généralisant robuste, capable d'une évolution autonome continue grâce à une stratégie de généralisation experte intégrant les connaissances empiriques d'agents spécialisés. Nous validons l'efficacité de SEAgent sur cinq nouveaux environnements logiciels au sein d'OS-World, améliorant le taux de réussite de 23,2 % (de 11,3 % à 34,5 %) par rapport à UI-TARS, un CUA open source existant.
