OpenMobile-2:手机智能体为何总在真实App里“装样子”?
你有没有试过让AI帮你操作手机,结果它在淘宝界面里滑来滑去,点错按钮,然后陷入死循环?这不是段子。这是目前几乎所有开源手机智能体的真实困境。它们在实验室里的测试App上表现不错,一旦放到真实的商业App,比如淘宝、携程、美团,就开始手足无措。问题出在哪?不是模型不够聪明,是它们压根没见过真正复杂的商业App长什么...
让AI替你操作手机,它却在淘宝里来回乱滑、点错按钮、卡进死循环——这种场面你碰到过吗?
这并非玩笑,而是当下几乎所有开源手机智能体面临的真实处境。在实验室的测试App上它们表现尚可,可一旦进入淘宝、携程、美团这类真实商业App,就立刻变得手足无措。
症结不在模型不够聪明,而在于它们从未见过真正复杂的商业App是什么模样。
**根子上的原因:训练环境过于简单,手机智能体因此一直落后**
南京大学、商汤科技、港大等多家机构联合发布的一篇论文,把这个难题摆到了明面上。他们提出的方案叫
先把难点说清楚
要训练一个会操作手机的AI,第一步得给它一块“练手”的地方。
可现实中的App,比如真实的淘宝、携程,并不能随便拿来训练。让AI在真淘宝里乱点,万一真的下单付了钱怎么办?即便不付钱,每次测完都得把账号恢复到初始状态,这个“重置”代价高得惊人。
> 真机测试*:指直接在物理手机或安卓模拟器上运行真实App进行智能体训练和评估的方式。
打个比方,你想培养赛车手,却只能让他开着你的真车上路练。撞一次就得掏钱修,练完还得把车还原,这成本谁受得了?
于是,过去的研究者想了个招:造“仿真App”。不用真实App,而是自己写一个功能相近的仿制版,这样就能随意重置,还能并行跑成百上千个实例。
可新问题又冒出来了。此前最好的仿真环境
结果就是,AI在简化环境里练出的本事,一放进功能丰富的真实App就不够用。好比一个只在空教室里练过挥拍的网球选手,突然被扔进真正的赛场,面对对手各种战术变化,当场就懵了。
研究团队用一组数据说明差距有多大:在他们新造的35款商业App里,中位数应用拥有37个页面路由、166个可交互动作、86次页面转换,从首页进入到任意功能的平均深度是3层。相比之下,此前
这可不是“做得更精细”那么简单,而是把仿真App的复杂度真正拉到了接近商业App的水平。
MobileGym++
研究团队做的第一件大事,是构建了
这35款新建App横跨旅游、购物、金融、内容、社交、办公、本地生活七大领域,加上原有的28款,总共凑成了63款可安装的
>
这些App并非随便画几个界面应付了事。团队的做法很严谨:先从真实App的数据结构和交互图谱出发,在动手画界面之前就把整个App的“业务骨架”定下来,包括有哪些页面、哪些动作会触发什么样的状态变化。随后再由人工标注员反复比对仿真版与真实App,直到界面细节和状态跳转都高度吻合。
每款交付的App还要过两道关:一是覆盖率检查,确认每个声明的交互点位都真的实现了;二是核心流程回放检查,确认每次状态跳转真的产生了预期的变化。
这让我联想到小时候那种“过家家”玩具,像仿真收银机。廉价版本随便按几下只响一声叮,里头没什么真逻辑。高仿真的就不一样了:按下“找零”键,它会实打实算出差额,再把对应金额的抽屉格弹出来。
**这些仿真App最关键的特性是:每个App都维护着自己的
订单、预算、行程这些状态会随着交互不断演化,并且支持程序化的任务验证。也就是说,你让AI完成“在携程订一张明天去上海的机票”这样的任务,系统能自动判断它到底有没有真的下单成功,不需要人工用肉眼去检查。
跨应用协作
平时用手机办事,很少只打开一个App就能搞定。
订酒店就是个例子:先在小红书翻别人的推荐,再切到携程下单,付款那一刻又跳到支付宝。真实用户办事,跨App来回切换才是常态,可过去的单应用基准测试压根测不出这种复杂度。
MobileGym++针对这类场景做了专门设计,剪贴板传递、App间分享、支付跳转、媒体选择都在其中。所有App运行在同一台可重置的虚拟设备上,整机状态能够被完整序列化,也能还原回去。
打个比方,家里装了智能家居,灯光、空调、门锁各干各的,却共用同一个“家庭状态”数据库。你设了离家模式,所有设备得同步响应,不能各管各的。缺了这套共享状态机制,AI在A应用里复制的信息,到B应用就粘不进去,跨App任务自然跑不通。
靠这套机制,研究团队设计了
混合界面:App开始主动给AI递“说明书”
整篇论文里,这个设计我觉得最有意思。
以往手机智能体干活,路子基本就一条:看屏幕截图,再模拟点击、滑动、打字,和人的手指戳屏幕没差别。这种办法叫
> GUI*:图形用户界面,指通过图标、按钮等可视化元素供用户操作的界面形式,与之相对的是命令行或API这类结构化接口。
GUI操作胜在万能,理论上任何看得见的控件都能点到。可它的问题也摆在那儿:慢,还容易出错。让AI在淘宝搜一件商品,它得先点搜索框、输入文字、点搜索按钮,再从一堆结果里挑对的那个、点进详情页。哪一步都可能点歪。
研究团队于是换了个思路:让App主动暴露一部分“结构化接口”,与GUI操作并行使用。
>
落地方式是这样的——MobileGym++给50多款App配了超过300个这类工具。健身类App里有名为search_course的工具,淘宝里则有taobao__search_items、taobao__add_to_cart这样的工具函数。
这让我想起去餐厅点餐。进一家没去过的店,菜单全是文字,你得一页页翻、逐道研究配料,这就是纯GUI操作,通用但慢。要是店家给你一套结构化点餐系统,填上“辣度”“忌口”“预算”几个参数,推荐直接出来,快是快多了。代价也有:系统只认它预设的那几类菜,菜单上没有的隐藏菜品,它点不了。
**所以真正聪明的做法不是二选一,而是把两种方式结合起来用**
能用工具快速解决的部分交给工具,工具覆盖不到的地方退回GUI操作,这正是MobileGym++想验证的“
设计工具时,研究团队守住一条原则:每个工具暴露的,都是对应用自身业务对象的结构化查询或写入操作,语义上和对应的GUI操作完全等价。工具调用与GUI操作改的是同一份持久化状态,成败也用同一个终止条件判定。这样设计的好处在于,完全相同的任务上,“纯GUI操作”和“GUI加工具混合操作”孰强孰弱,可以公平比一场。
训练数据:近1.2万条轨迹,2000多个可执行任务
环境有了还不够,模型得靠数据喂。
研究团队发布了
>
>
数据从哪来?研究团队先为每款App画一张“状态-动作转移图”,把App里所有可能的页面状态、以及触发状态转换的动作都理清楚。再让Gemini-3.1-Pro-Preview这个大模型照着图生成真实可执行的用户指令,例如“帮我在携程上订一张明天去北京的高铁票”。
随后,同一个大模型充当“教师智能体”,真刀真枪去执行这些指令,逐步记录操作过程。只有真正完成任务并通过验证的轨迹才留下;那些瞎点乱滑、把App状态搅得一团糟却没完成任务的失败记录,一律过滤掉。
这个数据集最值得说道的,是它的多样性控制。研究团队用
生成的任务指令到底够不够多样,团队也做了检验:两两之间的平均余弦相似度仅为0.43,可见这些指令确实各不相同,并非在反复套用相似模板。
另外,30%的轨迹涉及跨App操作(安卓模拟器上是40%,
训练出来的模型,到底强在哪
环境和数据备齐之后,要看的自然是训练结果。
研究团队拿这套数据,对90亿参数(9B)和270亿参数(27B)两种规模的Qwen基座模型分别做了训练,由此得到
先看最基础的那组
| 模型 ||------|------|| 9B基座模型(未训练) | 54.3% || 9B + GUI-only SFT | 72.8% || 9B + Hybrid SFT + RL | **74.0%** || 27B基座模型(未训练) | 67.1% || 27B + GUI-only SFT | 80.8% || 27B + Hybrid SFT + RL | 79.9%(但 |
算下来,9B模型涨了19.7个百分点,27B模型涨了12.8个百分点。这个幅度是什么概念?原先差不多每4次任务就有近2次失败,训练后失败率降到约四分之一。
真正的考验在真机上。
**27B模型在真机测试中从训练前的31.9分升到59.6分,接近翻倍**
这个数字出乎我的意料。仿真环境里练出来的本事,搬到完全不同的真机上,按常理该打折扣。可实际结果摆在这里:这套训练办法确实穿过了仿真与真机之间的那层隔膜。说白了,研究团队搭的仿真环境抓住了真实App交互的某种“共性骨架”,并非只做到表面相像。
混合工具使用又是另一番景象。在
有个细节得单独拎出来说:MobileWorld的MCP测试里,那些工具在训练时压根没见过,混合训练后的模型拿到27.5%和45.0%,只练GUI的模型则只有12.5%和35.0%。
> MCP*:Model Context Protocol的缩写,一种让AI模型能够调用外部工具和服务的标准化协议。
这说明一件要紧的事:混合训练教给模型的,不是“记住这300个具体工具怎么调”,而是一种更抽象的本事,即“该掏工具还是该用手指戳屏幕”的判断力本身被学会了。好比带新员工用公司系统,只让他死记每个按钮的位置,换套系统就抓瞎;可要是教会他“批量查询走筛选器,单条修改进详情页”这类判断逻辑,换了系统照样能很快上手。
再往深一层看:环境覆盖面够不够广,比数据总量更要紧
论文里还安排了一个挺有意思的控制实验。
把训练数据总量固定在2000条轨迹,只动这些轨迹覆盖的App种类数,从15款一点点加到53款。结果覆盖面越广,模型在“没见过的App”上表现越好,Pass@1从60.7%升到67.5%。
**更让人意外的是,哪怕“熟悉App”的数据占比从100%一路降到39.1%,模型在这些熟悉App上的表现也几乎没掉,只从73.7%微降到71.4%**
这给出一个挺反常识的结论:训练数据总量定死的情况下,把2000条轨迹全堆在15个App上反复练,不如摊开来覆盖更多App种类。
这有点像学外语。假如2000个小时全拿去精读莎士比亚,莎士比亚的句式你会烂熟于心,可一进日常对话或商务邮件的场景就卡壳。同样2000小时,若分一部分读新闻、看剧、翻说明书,每种材料花的时间是少了,迁移能力反倒更强,没见过的场面也接得住。不做这种广度上的投入,模型的本事就会被牢牢框在训练时碰过的那几个App里,换个新App马上现原形。
另一个发现跟工具使用的“激活条件”有关。研究团队发现,工具摆在那儿让模型用,它并不会自己就学会用得好。没做专门的混合训练之前,模型调用工具的任务只有215个任务中的20到102个,带来的提升也有限,仅2.8到4.2个百分点,个别模型还因为乱用工具导致表现下滑。
混合训练之后情况变了:工具调用覆盖的任务数升到113和128个,涉及的不同工具种类有110和115种。更关键的是,工具带来的性能增益涨到5.6和10.3个百分点,完成同一任务所需的步数平均少了4.8到5.8步。
可见“给出能力”和“教会怎么用能力”是两回事。好比让一个刚拿驾照的新手开手动挡赛车,车好不代表他能开快,真正让他变强的是针对这辆车的专门驾驶训练。
写在后面
论文读下来,让我意外的不是模型跑分涨了多少,而是“环境覆盖面比数据总量更重要”这个结论。
它其实指向一件更普遍的事:我们常以为数据越多越好,可真正起作用的往往是数据怎么分布、够不够多样,绝对数量倒没那么要紧。这个看法不只适用于手机智能体训练,很多场景都能套。
还有个细节我反复琢磨:把GUI和工具调用混在一起练,看着是工程上的取舍,背后却藏着一个更深的判断——**只求“通用”的接口(GUI)和只求“效率”的接口(API/工具),长期看不是谁替掉谁,而是会一直并存、互相补位**。
没解决的问题也摆在那儿。论文提到,强化学习带来的提升主要落在“训练环境高度对齐的评测”上,比如MobileGym自己的测试集涨了不少,换到其他基准就提升有限。也就是说,眼下的强化学习信号要真正泛化到任意场景,路还相当长。
手机屏幕就那么点大,可装在里面那个世界,比我们想的复杂得多。AI真想在这个世界里来去自如,缺的或许不是更聪明的算法,而是一个够真实、够丰富的练习场。