开源手机智能体正在追平闭源模型

开源手机智能体长期面临一个结构性困境：训练所需的真实应用操作数据大多掌握在大型科技公司手中，导致开源模型与闭源模型之间存在明显差距。南京大学、商汤科技及多所合作高校组成的研究团队，试图通过OpenMobile-2项目打破这一局面。他们发布了两款分别基于Qwen3.5（9B参数）和Qwen3.6（27B参数）的智能体模型，并同步开放全套训练环境与数据，供外界完整复现。

训练环境的构建是该项目的核心创新。在真实应用上训练智能体代价高昂——登录验证、真实支付、无法重置状态等问题使流程难以规模化。为此，研究团队手工重建了35款热门应用的高保真副本，涵盖淘宝、京东、滴滴、美团等国内平台，以及Slack、Google Drive等国际服务。人工审核员将重建版本与原版反复比对，直至界面与操作流程高度吻合。结合现有模拟器与安卓模拟环境，整个训练平台最终覆盖超过110款应用。

在这套环境中，研究团队生成了约11600条示例工作流和2000余项带自动验证的练习任务，并以谷歌Gemini 3.1 Pro作为教师模型生成训练样本。值得注意的是，这意味着OpenMobile-2实际上是在向一个闭源系统学习。每款重建应用都预先定义了操作与状态变化的对应关系，系统可自动验证任务结果，且每次模拟结束后自动重置至初始状态，智能体全程只能看到截图，无法访问应用内部数据，最大程度还原了真实用户的操作体验。

基准测试结果显示，两款模型均取得显著进步。在AndroidWorld测试中，27B模型从67.1分跃升至79.9分，9B模型则从54.3分提升至74分，均大幅超越前代OpenMobile-1的64.7分。在难度更高、涉及跨应用长任务的MobileWorld测试中，27B模型从35.9分提升至50.4分。最引人注目的是真实安卓设备上的SPA-Bench测试，27B模型得分从31.9跃升至59.6，成为开源模型中的最高分，仅次于谷歌Gemini 3.1 Pro。

研究团队还进行了一项关键的控制实验：在保持训练数据总量不变的前提下，单纯增加训练应用的种类数量，模型在未见过的新应用上的任务成功率便从60.7%提升至67.5%。这一结果有力证明，应用多样性对智能体泛化能力的贡献，远超单纯增加同类应用的数据量。此外，研究团队还探索了一种混合操作模式：在超过50款模拟应用中，智能体可直接调用应用暴露的功能接口（如「加入购物车」），跳过繁琐的界面导航。经过针对性训练后，智能体能够灵活切换两种操作方式，任务完成率提升最高达10.3个百分点，所需操作步骤减少约5步。

强化学习阶段的收益相对有限，主要体现在与训练环境相似的场景中，27B模型在AndroidWorld上的得分甚至从80.8微降至79.9。研究团队坦承混合工具接口目前仅存在于模拟应用中，相关方法仍处于实验阶段。与此同时，Oppo的开源智能体X-OmniClaw选择了另一条路径，通过深度链接在真实设备上复现已学习的操作路径；谷歌则将手机控制能力直接内置于Gemini 3.5 Flash中。OpenMobile-2的发布，标志着开源社区在手机智能体领域正式具备与闭源模型一较高下的实力。

要点

• 应用种类多样性比数据规模更重要：在数据量不变的情况下，仅增加训练应用种类，就能将未见应用的成功率从60.7%提升至67.5%。
• OpenMobile-2的27B模型在真实安卓设备SPA-Bench测试中得分59.6，为开源模型最高，仅次于谷歌Gemini 3.1 Pro。
• 研究团队重建了35款主流应用并构建110余款应用的训练环境，解决了真实应用训练成本高、难以重置的核心痛点。
• 混合操作模式（界面点击+直接接口调用）经针对性训练后，可将任务完成率提升最高10.3个百分点，并减少约5个操作步骤。
• 强化学习对性能的提升效果有限，在部分测试中甚至出现轻微下降，表明监督学习阶段的训练质量仍是关键瓶颈。