OpenMobile-2 证明开源手机智能体可媲美闭源模型

仅靠更多数据并不能让智能手机智能体变得更好。在数据量相同的情况下，最关键的是智能体在多少个不同的应用上进行了训练。

能够自主操作应用的AI智能体主要通过实践来学习，但它们所需的数据大多被大公司锁住。因此，来自南京大学、AI公司商汤科技以及其他几所大学的研究人员写道，开源模型处于落后状态。

OpenMobile-2是他们缩小这一差距的尝试。他们发布了两个智能体模型，分别基于90亿参数的Qwen3.5和270亿参数的Qwen3.6构建，同时发布了完整的训练环境、数据和复现一切的说明。作者表示，他们的模型在当前的智能手机智能体中排名接近顶尖。

为什么重建110个应用胜过在真实应用上训练

在真实应用上训练很痛苦，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个主要在中国流行的应用，包括淘宝、京东、滴滴和美团，以及Slack和Google Drive等全球使用的服务。结合现有的模拟环境和在Android模拟器中运行的应用，练习场地覆盖了110多个应用。

人工审核员将重建的应用与原始应用进行比较，并不断改进，直到工作流程和界面匹配。订单、预算和旅行计划在会话之间持久保存，数据可以通过剪贴板在应用之间传递。每个模拟都会自动重置到初始状态，而智能体只能看到截图，无法访问应用内部数据，模拟了人们实际使用它们的方式。

基于这一设置，团队生成了约11,600个示例工作流程和2,000多个带有自动成功检查的练习任务。Google的Gemini 3.1 Pro作为教师模型生成了这些示例，这意味着OpenMobile-2实际上是在向一个封闭系统学习。

真机性能提升最大

两个模型在现有基准测试上都显示出明显提升。在AndroidWorld上，较大模型从67.1分跃升至79.9分，而较小模型从54.3分升至74分。前代OpenMobile-1在同一测试中得分为64.7分。在更难的MobileWorld基准测试中，该测试涵盖跨多个应用的较长任务，较大模型从35.9分提升至50.4分。

最大的跃升出现在真实Android设备上，较大模型在SPA-Bench上从31.9分攀升至59.6分。研究人员表示，这是开源模型中的最佳成绩。

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，仅增加智能体练习的应用数量，这将未见应用上的成功率从60.7%提升至67.5%。在相同的数据预算下，应用多样性胜过来自少数应用的额外示例。

在此基础上进行强化学习只带来了有限的提升，主要是在与训练设置相似的环境中。在 AndroidWorld 上，更大的模型在之后实际上得分略低，为 79.9 分而非 80.8 分。

直接命令让智能体跳过菜单迷宫

研究中的一个实验性部分超越了点击和滑动。超过 50 个模拟应用提供诸如“加入购物车”之类的直接命令，使智能体能够跳过菜单导航，并且智能体可根据可用情况在两种方法之间自由切换。

然而，仅靠这一点帮助不大，因为如果没有针对性训练，模型往往会忽略这些捷径。一旦对它们进行了相关训练，智能体就能很好地使用这些捷径，多解决最多 10.3 个百分点的任务，同时所需步骤减少约五步。研究人员表示，这种能力还能迁移到模型在训练中从未遇到过的工具上。

在随后的强化学习阶段，只要一次运行包含至少一个直接命令，工具使用就会获得奖励加成，不过奖励仍取决于任务是否真正完成。当智能体报告虚假成功时，就会受到惩罚。这些接口目前仅存在于模拟应用中，研究人员自己也称该方法为实验性方法。

部分结果来自团队构建的一个包含 215 个任务的定制基准，其中近一半任务跨多个应用。任务完成情况不是由语言模型评判，而是由程序在每次运行前后比较应用存储的数据来评判。作者还检查了训练任务与测试任务之间的重叠，发现只有轻微相似性。

Microsoft Research 已在 2025 年的一项研究将 API 智能体归类为更可靠，而将 GUI 智能体归类为更灵活，并指出移动应用是外部接口不存在的典型情况。Oppo 则在其开放智能体 X-OmniClaw 上采取了不同路线，该智能体在真实设备上运行，并通过深度链接在淘宝或美团等应用中重放先前展示的路径，而不是再次点击菜单。在闭源模型中，Google 已将智能手机控制直接构建到 Gemini 3.5 Flash 中。

没有炒作的 AI 新闻——由人类精选

订阅 THE DECODER，享受无广告阅读、每周 AI 新闻简报、每年六次独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。