OpenMobile-2 开源手机智能体模型，称可媲美闭源模型

仅有更多数据并不能让智能手机代理变得更好。对于相同数量的数据，最重要的是代理训练了哪些不同的应用程序。

AI代理在自行操作应用程序时主要通过实践学习，但它们需要的数据大多被大公司锁定。南京大学、AI公司商汤科技以及其他几所大学的 researchers 写道，开放模型因此落后。

OpenMobile-2是他们试图缩小这一差距的努力。他们发布了两个基于 Qwen3.5 with 9 billion 和 Qwen3.6 with 27 billion parameters 构建的代理模型，以及完整的训练环境、数据和重现所有内容的说明。作者说他们的模型在当前的智能手机代理中排名靠前。

为什么重建110个应用程序比在真实应用程序上训练更好

在真实应用程序上训练很痛苦，因为登录、真实购买以及无法重置状态使得过程昂贵且难以重复。因此，研究人员重建了35个在中国主要流行的应用程序，包括淘宝、京东、滴滴和美团，以及像 Slack 和 Google Drive 这样全球使用的服务。结合现有的模拟和在 Android 模拟器中运行的应用程序，这个训练场涵盖了110多个应用程序。

人类评审员将重建的应用程序与原始应用程序进行比较，并不断改进，直到工作流程和界面匹配。订单、预算和旅行计划跨会话持久存在，数据可以通过剪贴板在应用程序之间传递。每个模拟会自动重置到其初始状态，而代理只看到屏幕截图，并且无法访问内部应用程序数据，模拟人们实际使用它们的方式。

从这种设置中，团队生成了大约 11,600 个示例工作流程和超过 2,000 个带有自动成功检查的练习任务。 Google's Gemini 3.1 Pro 作为生成示例的教师模型，这意味着 OpenMobile-2 实际上是在一个封闭系统中学习。

在真实手机上的性能提升最大

两个模型在既定的基准测试中都显示了明显的提升。在 AndroidWorld 上，较大的模型从 67.1 点跃升至 79.9 点，而较小的模型从 54.3 点跃升至 74 点。前一个 OpenMobile-1 在同一测试中的得分是 64.7 分。在更难的 MobileWorld 基准测试中，该测试涵盖了跨越多个应用程序的更长时间任务，较大的模型从 35.9 点提升到 50.4 点。

最大的提升出现在真实 Android 设备上，其中较大的模型在 SPA-Bench 上从 31.9 点攀升至 59.6 点。研究人员说，这是开放模型的最佳得分。

在这里，训练环境的多样性比单纯的数据量更重要。研究人员保持数据量不变，只增加了代理练习的应用程序数量，这使未见过应用程序的成功率从 60.7% 提升至 67.5%。在相同的数据预算下，应用程序的多样性胜过少数应用程序的额外示例。

强化学习带来的增益有限，主要是在与训练设置相似的环境中。在AndroidWorld上，更大的模型实际上后续得分略差，最终得分为79.9分而不是80.8分。

直接命令让智能体可以跳过菜单迷宫

研究的实验部分超越了点击和滑动。超过50个模拟应用提供直接命令，如"加入购物车"，以便智能体可以跳过菜单导航，并且智能体根据可用性自由地在两种方法之间切换。

然而，仅凭这一点帮助不大，因为模型在没有针对性训练的情况下往往会忽略快捷方式。一旦经过针对性训练，智能体就能很好地使用它们，完成任务的数量最多提高10.3个百分点，同时步骤数减少约五步。研究人员表示，这种能力也适用于模型在训练期间从未遇到过的工具。

在后期强化学习阶段，只要运行中至少包含一个直接命令，工具使用就会获得一个奖励系数，尽管奖励仍然取决于任务是否实际完成。当智能体报告一个并非真实的成功时，会实施惩罚。这些界面目前仅存在于模拟应用中，研究人员自己也称这种方法是实验性的。

一些结果来自团队构建的包含215个任务的定制基准，其中近一半任务跨越多个应用。任务完成情况不是由语言模型评估，而是由一个程序在每次运行前后比较应用存储的数据来评估。作者还检查了训练和测试任务之间的重叠，发现只有轻微的相似性。

微软研究院在2025年的研究中已经将API智能体归类为更可靠，将GUI智能体归类为更灵活，指出移动应用是外部界面不存在的一个典型案例。OPPO采取了不同的路线，其开放智能体X-OmniClaw在真实设备上运行，并通过deeplinks重放先前展示的路径，而不是再次通过菜单点击，在Taobao或Meituan等应用中。在封闭模型中，谷歌已将智能手机控制直接集成到Gemini 3.5 Flash中。

AI新闻无浮夸——由人类编辑

订阅THE DECODER以获得无广告阅读、每周AI新闻简报、我们独有的"AI雷达"前沿报告（每年六次）、完整档案访问以及访问我们的评论部分。