南京大学与商汤发布开源手机智能体 OpenMobile-2

仅靠更多数据并不能让智能手机智能体变得更出色。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掌握。因此，开放模型处于落后状态，来自南京大学、AI 公司商汤科技以及其他几所高校的研究人员如此写道。

OpenMobile-2 是他们为缩小这一差距所做的尝试。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，同时还提供了完整的训练环境、数据以及复现全部内容所需的说明。作者表示，他们的模型在当前的智能手机智能体中排名靠前。

为何重建 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整个过程成本高昂且难以重复。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以及在 Android 模拟器中运行的应用，这个练习场覆盖了 110 多个应用。

人工审核人员将重建的应用与原始应用进行对比，并不断改进，直到工作流程和界面一致。订单、预算和旅行计划可跨会话持久保存，数据可以通过剪贴板在应用之间传递。每个模拟环境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这些应用的方式。

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

两个模型在既有基准测试上都表现出明显提升。在 AndroidWorld 上，较大的模型从 67.1 分跃升至 79.9 分，而较小的模型则从 54.3 分升至 74 分。前代 OpenMobile-1 在同一测试中得分为 64.7 分。在难度更高的 MobileWorld 基准测试中（涵盖跨多个应用的较长任务），较大的模型从 35.9 分提升至 50.4 分。

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

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，仅增加智能体练习所用的应用数量，这使得在未见过的应用上的成功率从 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几个应用的额外示例。

在此之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，较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

该研究的一个实验性部分超越了点击和滑动操作。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，并且智能体会根据可用功能在两种方法之间自由切换。

不过，单靠这一点帮助不大，因为如果没有针对性训练，模型往往会忽略这些快捷方式。一旦对这些快捷方式进行了训练，智能体就能很好地使用它们，多解决最多 10.3 个百分点的任务，同时需要的步骤减少约五步。研究人员表示，这种能力还能迁移到模型在训练中从未接触过的工具上。

在后续的强化学习阶段，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。当智能体报告了不真实的成功时，就会受到惩罚。这些接口目前只存在于模拟应用中，研究人员自己也称这种方法为实验性方法。

部分结果来自该团队构建的自定义基准，包含 215 项任务，其中近一半跨越多个应用。任务完成情况不是由语言模型来评判，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，发现只有轻微的相似性。

微软研究院在 2025 年的一项研究中已将 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案例。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过的路径，而不是再次点击菜单。在闭源模型中，谷歌已将智能手机控制直接内置于 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、每年六期独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。