南京大学商汤开源手机智能体 真机59.6分

时间：2026年10月25日 The Decoder 等英文科技媒体集中报道，论文于10月9日提交 arXiv 地点：中国南京（南京大学）、中国香港、新加坡；美国旧金山（合作方商汤）；开源社区 Hugging Face 与 GitHub 人物：论文第一作者 Chenyang Yan，另有 23 位作者来自南京大学、西安交通大学、新加坡国立大学、香港大学、华东师范大学与商汤等机构 事件详情：论文题为 OpenMobile-2: Building Versatile Mobile Agents with Scalable Environments and App-Native Tools，10 月 9 日提交 arXiv，编号 2610.14157。团队一次性放出两件东西：两个可直接下载运行的智能体模型，以及把它们训出来的整套环境、数据和复现说明。 两个模型分别基于 Qwen3.5-9B 和 Qwen3.6-27B 微调，遵循 Apache-2.0 协议，模型卡与数据集都挂在 Hugging Face 的 OpenMobile-2 组织下。 环境部分叫 MobileGym++，是这个团队此前 MobileGym 平台的扩展。核心动作是把 35 个主流商业 App 重新实现了一遍，包括淘宝、京东、滴滴、美团等国内高频应用，以及 Slack、Google Drive 这类全球服务；再叠上已有的仿真 App 和 Android 模拟器里的应用，总量超过 110 个 App。 重做 App 的动机很实在：真机训练要登录、要真下单、状态没法重置，一次跑坏就要人工清理，成本高且难以复现。重做后的仿真 App 保留了订单、预算、行程等跨会话的持久状态，App 之间可以通过剪贴板传递数据，比如在聊天窗口读到的地址直接粘进外卖 App，每个仿真都能自动复位到初始状态。人工审核员把重做版和原版逐一对齐，直到流程和界面一致。智能体只看截图，拿不到任何 App 内部数据，行为模式和真人拿手机完全一样。 数据方面，团队生成了约 11,600 条示例工作流和 2,000 多个带自动成功校验的练习任务。有一点需要注意，示例由 Google 的 Gemini 3.1 Pro 作为教师模型生成，也就是说这套开源权重实际上是在向一个闭源系统学习。 跑分方面，AndroidWorld 上 27B 模型从 67.1 分涨到 79.9 分，9B 模型从 54.3 分涨到 74 分，前代 OpenMobile-1 为 64.7 分。更难的 MobileWorld 上 27B 从 35.9 分涨到 50.4 分，该基准覆盖跨多个 App 的长任务。提升最大的是真机测试，SPA-Bench 上 27B 从 31.9 分涨到 59.6 分，研究者称这是开源模型中的最好成绩，在该榜单上仅次于 Gemini 3.1 Pro。 但这轮提升的关键不在数据量，而在环境多样性。团队做了对照实验，固定数据量、只增加训练用 App 的种类，未见 App 上的成功率从 60.7% 提升到 67.5%。反过来，在监督微调之上再叠加强化学习收益有限，AndroidWorld 上 27B 模型在强化学习后反而从 80.8 分略降到 79.9 分，强化带来的增益主要出现在与训练环境高度相似的测试场景里。 论文还有一块实验性设计：50 多个仿真 App 暴露了直接命令接口，比如加入购物车，智能体可以在屏幕操作和直接调用之间切换。没有针对性训练时模型基本会忽略这些捷径；专门训练之后，多解出最多 10.3 个百分点的任务，步骤数还少了约 5 步。这套接口目前只存在于仿真 App 中，作者自己把它标注为实验性质。另外团队提供了一个 215 个任务的私有基准，用程序对比 App 运行前后的存储数据来判定成败，不依赖语言模型当裁判，近一半任务跨 App。 背景：手机智能体这一年的卡点一直不在模型，而在训练环境。真实 App 需要账号、会变更、会产生真实订单等副作用，无法一键回滚，导致开源智能体长期只能在少量简单工具类 App 上训练，一遇到购物、打车这类跨 App 流程就掉链子。OpenMobile-2 把大规模重建 App 环境本身作为主要贡献，并把环境、数据、复现说明一并开放，业内此前只有大厂才握有这类交互数据。同一时期还有 MAI-Gym、OpenGCUA 等开源 computer-use 与 GUI 训练栈在推进同一目标，OpenMobile-2 的差异在于把仿真环境本身做成了可复现的公开资产。 需要提醒的是，上述所有数字均来自论文作者自测，尚无第三方独立复现；训练教师模型是闭源的 Gemini 3.1 Pro；训练环境重心在中国应用，团队自己也在报告中提示，在西方应用上的表现需要单独验证；MobileWorld 上模型仍会失败掉一半左右的跨 App 长任务。 影响：这份工作把手机智能体的瓶颈是环境而不是模型这一判断，从直觉变成了一组可复现的对照数据，对国内做手机 Agent 的团队尤其有参考价值，因为它把淘宝、京东、滴滴、美团这类真实高频流程做成了可以无限重置的训练场。对应用厂商来说，App 原生工具接口这种形态也值得提前设计，一张加入购物车之类的快捷指令表，可能比多训几万条轨迹更划算。风险同样清楚，教师模型闭源、评测多为自建、数据重心在国内服务，整套配方在海外市场的迁移效果仍是未知数。 总结：OpenMobile-2 是一次典型的补齐基础设施式开源，一次性放出模型、仿真环境、数据和复现说明四件套，对开源手机智能体是实质性推进。它最值得记住的不是 79.9 这个数字，而是一个反直觉的结论：在数据量固定的前提下，把训练的 App 数量铺开，比再堆数据更有效；而强化学习在仿真环境上的额外收益，比预期小得多。 参考来源： The Decoder 报道：https://the-decoder.com/openmobile-2-proves-open-source-smartphone-agents-can-rival-proprietary-models/ arXiv 论文：https://arxiv.org/abs/2610.14157 Hugging Face 模型卡：https://huggingface.co/OpenMobile-2/OpenMobile-2-27B Hugging Face 数据集：https://huggingface.co/datasets/OpenMobile-2/OpenMobile-Data-v2 explainx.ai 解读：https://www.explainx.ai/blog/openmobile-2-open-mobile-agent-stack-mobilegym-androidworld-79-9-2026 ai-digest-1 综述：https://www.ai-digest-1.com/news/openmobile-2-open-smartphone-agent-trains-on-110-simulated-shopping-and-travel-a-19365 i6eal 新闻室译介：https://www.i6eal.de/en/newsroom/openmobile-2-open-smartphone-agent-rivals-proprietary-models