南京大学商汤等开源手机智能体 追平闭源

手机上的AI智能体要靠自己“动手”操作应用，但它们的训练数据大多攥在大公司手里，开源模型因此长期落后。南京大学、商汤科技等多所机构的研究人员推出开源项目OpenMobile-2，一口气发布基于Qwen3.5（90亿参数）与Qwen3.6（270亿参数）的两个智能体模型，连同完整训练环境、数据和复现指南全部公开。

真机训练贵在难重复：要登录、会真下单、状态没法重置。团队的办法是“重建”——把淘宝、京东、滴滴、美团等35个国内主流应用，连同Slack、Google Drive等海外服务一并复刻，再加上已有模拟环境和安卓模拟器里的应用，训练场覆盖超过110个应用。人工审核反复比对复刻件与原版的流程和界面，订单、预算、行程跨会话保留，应用之间还能靠剪贴板传数据；每个模拟环境用完自动重置，智能体只能看到屏幕截图，接触不到应用内部数据，和人用手机的方式一致。

靠这套环境，团队用Gemini 3.1 Pro当教师模型，生成约11600条示例工作流和2000多个带自动成败判定的练习任务。成绩上，27B大模型在AndroidWorld基准从67.1分涨到79.9分，更难的多应用基准MobileWorld从35.9分涨到50.4分；在真机基准SPA-Bench上则从31.9分跃升至59.6分，居开源模型之首，只落后教师模型Gemini 3.1 Pro。

论文里最核心的结论是“多样性比数据量更重要”：把训练数据量固定、只增加应用种类，模型在没见过的应用上成功率就从百分之六十点七提升到百分之六十七点五。同等数据预算下，练过更多不一样的应用，胜过在一个应用里多刷几遍。

团队还试了混合模式：把正常屏幕操作和应用直接开放的接口命令结合。超过50个模拟应用提供“加入购物车”这类直接命令，但未经专门训练时模型常常视而不见；训练后不仅多解决了10.3个百分点的任务，步数还少约5步，而且这套本事能迁移到训练中没见过的工具上。相比之下，后续强化学习的收益反而有限，27B模型在AndroidWorld上还从80.8分微降到79.9分。

编译自 The Decoder，原标题：“OpenMobile-2 proves open-source smartphone agents can rival proprietary models”