这项由南京大学、商汤科技、南洋理工大学、上海东谈主工智能实验室、香港大学、西安交通大学聚积开展的连系，以预印本模样发布于2026年4月，论文编号为arXiv:2604.15093，有趣味趣味长远了解的读者可通过该编号在arXiv平台查阅完整原文。

手机屏幕上那些繁琐的操作，有莫得可能交给AI来作念？大开某个App、找到某个确立、按照你的条目完成一系列智商——这类"手机助手"的想法并不簇新，但信得过能用的系统，往时险些是各大科技巨头的专属领地。这篇论文要讲的，就是一群连系者怎么冲破这谈壁垒，用开源的方式为闲居连系者和征战者铺平谈路。

连系者们给我方的后果起名叫"OpenMobile"。这个名字里的"Open"不是噱头，而是一种宣言：他们把西宾AI手机助手所需的数据合成方法、代码和数据集全部公开，让任何东谈主都可以用来西宾我方的AI助手。在这之前，行业里最顶尖的AI手机助手——比如Step-GUI、MAI-UI、UI-Venus-1.5、MobileAgent-v3.5——在一个叫作念"AndroidWorld"的措施测试上，告捷率一经接近70%。这个数字听起来不算惊东谈主，但要知谈，这些任务波及实在的手机操作，每一步都需要AI信得过"看懂"屏幕、"想清爽"该奈何作念。关联词，这些顶尖系统背后的西宾数据全部守密，外界十足不知谈它们是奈何练出来的。与此同期，依赖公开数据集西宾的开源模子，在相同的测试上只可达到30%傍边，差距悬殊。

OpenMobile的主义，就是填平这谈边界。

一、手机AI助手究竟在作念什么

在长远了解OpenMobile的具体作念法之前，有必要先搞清爽这类AI助手到底是奈何责任的。

把AI手机助手比作一位新来的实习生大要更好意会。你把一部目生的手机交给这位实习生，告诉他"帮我在日期App里创建一个未来上昼十点的会议"。这位实习生需要先看清爽屏幕上的内容（很是于AI"读取"截图），然后判断该点那儿（很是于AI决定实践什么操作），一步步完成任务。更重要的是，若是某一步走错了，他还得能意志到出错了，并想概念修订。

这类AI系统在学术上叫作念"视觉谈话模子驱动的迁移端智能体"，说白了就是：能看懂手机屏幕图像、又能意会东谈主类提醒的AI，在手机上帮你干活。西宾这样的AI，需要无数的"脚本"——也就是每个任务对应的操作轨迹：从第一步点了那儿，到终末任务完成，每一步都有记载。有了这些脚本，AI才能通过效法学习，徐徐掌持怎么操作手机。

问题在于，高质地的脚本很难取得。东谈主工一条一条地标注老本极高，而且东谈主工标注经常存在噪声和缺欠。更艰苦的是，即便有了脚本，若是脚本里只好"一切凯旋"的情况，AI在现实中遭受我方犯错的情况时就会七手八脚——它从来没见过出错之后该奈何办。

OpenMobile针对这两浩劫题，别离联想了两个中枢措置决策。

二、给AI建一张"App功能舆图"

措置第一个难题——怎么自动生成无数高质地任务提醒——OpenMobile领受了一种颇具新意的方法。

现存的主流作念法，频繁是让AI在App里随即点来点去，然后凭证它走过的这条旅途来编一个任务。这就像一个东谈主在城市里松驰走了一条街，然后凭证这条街的见闻编一个旅游攻略。问题是，一条街的见闻太局限了，你根蒂不知谈这座城市还有几许边缘、几许风趣的地方。

OpenMobile的作念法十足不同。连系团队把这个经由拆成了两个阶段。

第一阶段，先让AI在App里泛泛探索，把遭受的通盘不同页面都记载下来，就像画图一张舆图。在这个经由中，AI每走一步，都会把现时页面的截图和它能到达的相邻页面记下来。由于不同的探索旅途会经过交流的页面，连系者用一种叫"感知哈希"的时候来识别"这两张截图其实是合并个页面"，幸免重复记载。最终，通盘探索旅途被整合成一个息争的结构，连系者称之为"全局环境顾虑"。可以把它意会为一张完整的App功能舆图，标注了每个页面有哪些功能，以及页面之间怎么跳转。

第二阶段，才是生成任务提醒。关于舆图上的每一个页面，连系者不仅给AI看这个页面自己的内容，还额外提供两类信息：一是"短期顾虑"，也就是这个页面相邻的几个页面（你从这里能径直到那儿、从那儿能来到这里）；二是"历久顾虑"，也就是通盘App里和这个页面功能关连但可能相距很远的其他页面的功能形貌。这种"历久顾虑"是通过语义相似度检索获取的，雷同于你在藏书楼找书时，系统会推选主题关连的其他书目。

有了这三层信息，一个深广的视觉谈话模子就能生成既各样又有凭证的复合型任务提醒——不是简便的"大开确立"，而是"在音频录制App里，把灌音款式改成WAV、采样率设为48kHz、声谈设为立体声，然后录一段短音频保存"这种复杂提醒。生成的提醒还要经过质地过滤（评分过低的删掉）和去重（语义太相似的只保留最佳的一条），最终得到一批高质地的任务提醒集。

这种把"探索"和"生成"分开的联想，带来了实质性的刚正。连系者作念了东谈主工评估：让有教授的评测者把OpenMobile生成的提醒和两种基线方法作念对比，结果发现OpenMobile的提醒在"难度和复杂性"方面彰着更胜一筹，而"合感性和可实践性"相同莫得下落。在现实西宾效果上，用交流数目（1500条）的轨迹数据西宾，OpenMobile的方法让AI在AndroidWorld测试中达到48.3%的告捷率，而另外两种基线方法别离只好34.1%和45.3%。

三、教AI怎么从缺欠中爬起来

有了任务提醒，接下来就要让AI现实实践这些任务，把实践经由录制成"脚本"，再用来西宾AI。这就引出了第二个中枢挑战：怎么集聚既高质地又包含"犯错与纠错"教授的脚本。

最常见的作念法叫"行家蒸馏"，也就是让一个一经很狠恶的AI（行家模子）去实践任务，把它的操作经由录下来，让待西宾的AI（学习者模子）去效法。这个方法的优点是脚内容量高，污点是脚本里全是"教科书式"的圆善操作，学习者从来看不到犯错之后该奈何办。到了实在使用场景中，学习者一朝犯错，就会七手八脚，不知谈怎么修订。

另一种作念法叫"自我进化"，让学习者我方去实践任务，告捷的才留住来，然后再行西宾，日中必移。这种方法的刚正是学习者见过我方犯错的情况，污点是越过相等慢，而且学习者的才智上限就是它我方现时的水平，很容易堕入瓶颈。

OpenMobile提议了一种和会两者优点的"计谋切换轮转"方法。中枢想路是：让学习者去实践任务，但阁下有一个"监考古道"（由深广的视觉谈话模子担任）及时盯着学习者的每一步。一朝监考古道发现学习者偏离了正确轨谈——比如畅达点错、堕入轮回、十足莫得向主义围聚——就坐窝让行家模子接收，帮学习者修订轨迹，把任务推回正轨。行家介入至少实践三步后，再把限度权还给学习者。

这个经由中，监考古道还会把检测到的"偏差分析"奉告行家模子，匡助行家更好地意会现时的失败模式，开元棋牌从而给出更有针对性的修订操作。通盘纠错经由在一次任求实践中最多触发两次。

连系者极度指出，他们测试了多种切换计谋：十足靠行家、十足靠学习者自我进化、随即切换（两个模子不一致时随即决定用谁）、以及上述的"缺欠介入切换"。结果暴露，缺欠介入切换计谋在每条轨迹中平均包含1.56个"缺欠与纠错"片断，远高于行家蒸馏的0.42个和自我进化的0.10个。随即切换天然包含了0.64个，但由于切换时机叨唠，脚内容量叨唠不皆，最终西宾效果（45.1%）并莫得比行家蒸馏（44.8%）好几许，而缺欠介入切换则达到了48.3%。

西宾之后，连系者还专诚测试了模子在现实实践中"发现缺欠、分析缺欠、修订缺欠"三个维度的才智。结果标明，用OpenMobile数据西宾后的模子，在这三个维度上都彰着优于基础模子，尤其是修订缺欠的才智擢升最为显耀——擢升幅度达到了66%。

四、数据集长什么样，效果奈何样

按照上述两大方法，连系团队在AndroidWorld提供的安卓模拟器环境上，针对20个安卓App，生成了约2800条任务提醒，对应34000个操作智商。每条实践轨迹平均包含12.2个智商，每步附带平均129个词的"想维链推理"——也就是AI在作念每一步操作之前，先用翰墨证明我方为什么这样作念。这部分想维链由行家模子再行撰写，以保证质地。

连系者用这批数据别离微调了两个基础模子：Qwen2.5-VL-7B（70亿参数）和Qwen3-VL-8B（80亿参数）。前者莫得经过专诚针对图形界面的大范围预西宾，用来试验数据自己的价值；后者自己一经是更强的基础模子，用来探索性能上限。

在AndroidWorld测试上，Qwen2.5-VL基础版块的告捷率是25.5%，经过OpenMobile数据微调后跃升到51.7%，擢升了杰出25个百分点。Qwen3-VL基础版块原来一经有47.6%，微调后达到64.7%，与Step-GUI-8B（67.7%）、MAI-UI-8B（70.7%）等行业顶尖闭源系统比拟一经很是接近。

更能证实问题的是泛化才智。OpenMobile的数据是在AndroidWorld的环境里集聚的，但连系者还在另外两个十足不同的测试平台上评估了模子。AndroidLab包含9个App的138个任务，Qwen3-VL版块达到51.5%，而同类开源数据方法的最佳收获（ScaleCUA）只好30%。MobileWorld是一个更难的测试，专诚检会需要跨越多个App、长达数十步的复杂任务，Qwen2.5-VL版块从7.7%擢升到14.8%，Qwen3-VL版块从9.4%擢升到17.7%，相对擢升幅度杰出50%。这证实OpenMobile的西宾方法让AI取得的不仅仅"背题"，而是信得过的通用操作才智。

连系者还测试了用更大模子（720亿参数的Qwen2.5-VL-72B）微调的效果，AndroidWorld告捷率达到59.3%，进一步考证了"数据质地好、模子越大效果越强"的执法。此外，他们也尝试了强化学习方法——包括单步奖励的强化学习和完整轨迹级别的强化学习——但发现这些方法在动态测试环境下的擢升并不安详，最终领略未能超越措施的监督微调。连系者以为，这可能与现时环境的各样性死亡和强化学习框架的安详性相关，留待将来连系措置。

五、这是真技艺照旧"背了谜底"

每当一个开源模子在某个测试集上取得好收获，总会有东谈主问：它是确实变强了，照旧仅仅暗暗"背了谜底"？这个疑虑在OpenMobile这里尤其合理，因为西宾数据就是在AndroidWorld同款环境里生成的。

连系者对此作念了相等透明的分析。他们用一个专科的语义相似度模子，筹算了每一条合成西宾提醒和AndroidWorld测试集里每一条测试提醒之间的相似度，然后和两个公开数据集（AndroidControl和AMEX）作念了对比。结果是：OpenMobile的合成提醒如实比公开数据集更接近测试提醒，这是合乎预期的，毕竟都是在合并个App环境里生成的。关联词，相似度杰出0.7的提醒只占全部合成提醒的3.5%，大多数提醒仅仅在功能层面有些重迭，而不是字面上的重复或改写。

更有劝服力的是底下这个实验：若是把最相似的那部分西宾数据删掉，望望模子收获会奈何变化，再对比随即删除同等数目数据的情况。删掉10%最相似的数据，收获仅仅眇小下落，证实性能并不是脆弱地依赖于少数几条"近似题目"。但当删除比例增多到40%以上时，性能开动彰着下滑，何况比随即删除下滑得更快。连系者对此给出了合意会释：删掉相似提醒，同期也删掉了遮掩某些中枢App功能的西宾样本，很是于把某项妙技的教训材料全删了，天然会影响领略。

这引出了连系者对"为什么OpenMobile数据灵验"的中枢证明：功能遮掩率。他们用一个谈话模子把每个测试任务判辨成所需的原子功能（比如"在日期App里创建步履"判辨为"大开日期"、"创建新事件"、"设定日期"、"设定标题"等），然后统计西宾数据中遮掩了几许比例的这些原子功能。跟着合成提醒数目增多，功能遮掩率稳步飞腾，而且OpenMobile长久高于同等数目的耦合基线方法。进一步的分析还发现，任务需要的功能越多（任务越复杂），告捷率越低；而西宾数据遮掩了越多关连功能，告捷率越高。这证实OpenMobile的西宾价值不在于"见过雷同的题目"，而在于"遮掩了饱和多的操作妙技"。

说到底，OpenMobile的孝顺是多端倪的。在时候层面，它提供了一套可以被任何东谈主复现和使用的数据合成框架，把"全局环境顾虑"和"计谋切换轮转"这两个创新联想系统地取悦在一谈。在实验层面，它在三个颓败的动态基准测试上全面考证了方法的灵验性，何况对数据混浊风险作念了贫穷一见的透明分析，这在通盘领域都属于额外的严谨格调。在社区价值层面，它公开了数据和代码，闪开源社区有了一个可以继续迭代的坚实开端。

天然，OpenMobile也有它坦承的局限。现在的西宾数据只遮掩20个App，环境各样性有限。强化学习处所的尝试尚未取得一致性突破，原因可能和模拟器环境的广度不够相关。此外，即即是64.7%这个收获，和最顶尖的73.7%比拟仍有差距，证实数据质地和基础模子才智两者不成偏废，仅凭通达数据合成还不及以十足追平顶尖闭源系统。

手机里那位信得过懂你、帮你干活的AI助手，距离闲居东谈主的日常生存正在变得越来越近。而让这一切变得愈加公谈、愈加透明的勤恳，大要恰是通盘领域永远越过的底气所在。

Q&A

Q1：OpenMobile和其他手机AI助手比拟，上风在那儿？

A：OpenMobile最大的上风在于它是十足开源的——数据、代码和合成方法全部公开。以前领略好的手机AI助手，比如Step-GUI和MAI-UI，西宾数据全部守密，外界无法复现或改进。OpenMobile让任何连系者都能用相同的方法西宾我方的模子，同期在AndroidWorld测试上，它西宾出的模子告捷率从约30%跃升到64.7%，一经相等接近顶尖闭源系统，而且在其他两个测试平台上也展示出了可以的泛化才智。

Q2：OpenMobile的西宾数据会不会是靠"背谜底"得高分的？

A：连系者对此作念了专诚的考证。他们筹算了西宾数据和测试题目之间的语义相似度，发现只好3.5%的西宾提醒与测试提醒相似度杰出0.7，不存在大范围照搬测试题的情况。而且当把最相似的一小部分西宾数据删掉时，模子收获仅仅小幅下落，证实性能靠的是泛泛的功能遮掩而非少数几条近似题目。

Q3：闲居用户什么时代能用上OpenMobile西宾出来的手机助手？

A：OpenMobile现在是一个连系框架，西宾出的模子需要在安卓模拟器或实在确立上部署，还不是一个开箱即用的浮滥级居品。不外由于代码和数据全部公开，征战者社区可以在此基础上继续征战开元棋牌(中国)官网入口，将来集成进实在手机助手哄骗的可能性是存在的。现在距离闲居用户径直使用还需要更多工程化责任。

NBA下注(中国)官网入口