南京大学与商汤发布开源手机 Agent OpenMobile-2，基于 Qwen3.5/Qwen3.6

数据多并不一定能提升智能手机智能体的表现。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。

AI 智能体自主操作应用主要靠实践学习，但它们所需的数据大多被锁在大公司手里。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写道，开源模型因此落后了。

OpenMobile-2 是他们为弥合这一差距所做的尝试。他们发布了两个基于 90 亿参数的 Qwen3.5 和 270 亿参数的 Qwen3.6 构建的智能体模型，并附带完整的训练环境、数据和复现说明。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 个应用比在真实应用上训练更好

在真实应用上训练非常痛苦，因为登录、真实购买以及无法重置状态，使得这一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。结合现有的模拟器和在 Android 模拟器中运行的应用，这个练习场覆盖了超过 110 个应用。

人工审核员将重建的应用与原版进行比较，并不断改进，直到工作流程和界面相匹配。订单、预算和旅行计划在不同会话之间持续保存，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，而智能体只能看到屏幕截图，无法访问应用内部数据，模拟了人类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 个示例工作流和 2,000 多个带有自动成功检查的练习任务。Google 的 Gemini 3.1 Pro 充当了生成这些示例的教师模型，这意味着 OpenMobile-2 实际上是在向一个闭源系统学习。

在真机上的性能提升最大

两个模型在成熟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，较小的模型从 54.3 分升至 74 分。前代模型 OpenMobile-1 在同一测试中得分为 64.7。在更难的、涵盖跨多个应用的长任务的 MobileWorld 基准上，较大的模型从 35.9 分提升到 50.4 分。

最大的提升出现在真实的 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，只增加智能体练习的应用数量，这将它在未见过的应用上的成功率从 60.7% 提升到 67.5%。在相同的数据预算下，应用的多样性胜过来自少数几个应用的额外示例。

强化学习带来的提升有限，主要在与训练环境相似的场景中。在 AndroidWorld 上，较大模型在强化学习后得分反而略有下降，从 80.8 分降至 79.9 分。

直接命令让智能体跳过菜单迷宫

这项研究的一个实验性部分超越了点按和滑动。超过 50 个模拟应用提供"加入购物车"等直接命令，使智能体无需在菜单中层层导航，且智能体可根据可用情况自由地在两种方式之间切换。

不过，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忽略这些捷径。一旦经过训练，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见过的工具上。

在后期强化学习阶段，只要运行中包含至少一次直接命令，工具使用就会获得额外奖励系数，不过奖励仍取决于任务是否真正完成。当智能体报告虚假的成功时则会受到惩罚。这些界面目前仅存在于模拟应用中，研究人员自己也称该方法为实验性的。

部分结果来自团队自建的基准测试，包含 215 个任务，其中近半数跨越多个应用。任务完成与否不是由语言模型判定，而是由程序比较每次运行前后应用存储的数据。作者还检查了训练与测试任务之间的重叠情况，仅发现少量相似之处。

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、GUI 智能体更灵活的类型，并指出移动应用是外部接口不存在的典型案例。Oppo 则以开放智能体 X-OmniClaw 走了另一条路，它运行在真实设备上，通过 deeplink 在淘宝或美团等应用中重放此前展示过的路径，而无需再次点击菜单。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。

AI 新闻，不炒作 – 由人工精选

订阅 THE DECODER，享受无广告阅读、每周 AI 新闻通讯、每年六期的独家"AI Radar"前沿报告、完整档案访问权限以及评论区访问权限。