南京大学与商汤开源 OpenMobile-2 手机智能体模型

南京大学、商汤及多所高校的研究者发布 OpenMobile-2，试图缩小开源手机智能体与闭源模型之间的差距。他们基于 Qwen3.5 和 Qwen3.6 训练了 9B 和 27B 两个智能体模型，同时公开完整训练环境、数据和复现说明。 训练数据难以获取是这一方向的主要瓶颈：真实应用涉及登录、真实支付且状态无法重置，过程昂贵且难以重复。研究团队因此重建了 35 个主要在中国流行的应用，包括淘宝、京东、滴滴、美团，以及 Slack、Google Drive 等全球服务，再结合已有模拟环境和 Android 模拟器中的应用，练习场地覆盖 110 多个应用。人工评审将重建应用与原版比对并持续修正，直到工作流和界面匹配；订单、预算和行程可跨会话保留，数据能通过剪贴板在应用间传递。每次模拟自动重置到初始状态，智能体只能看到截图，无法访问应用内部数据。 在此基础上，团队生成约 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，示例由 Gemini 3.1 Pro 作为教师模型产出。评测方面，27B 模型在 AndroidWorld 上从 67.1 提升到 79.9 分，9B 模型从 54.3 提升到 74 分，前代 OpenMobile-1 为 64.7 分；在跨多应用的 MobileWorld 上，大模型从 35.9 提升到 50.4 分；真机 SPA-Bench 上大模型从 31.9 提升到 59.6 分，作者称这是开源模型中的最好成绩。 研究还做了一个控制变量实验：在数据量不变的情况下只增加训练应用数量，未见应用上的成功率从 60.7% 提升到 67.5%，说明应用多样性比单纯增加样本更有效。在强化学习阶段，收益有限，主要出现在与训练环境相似的场景，AndroidWorld 上大模型反而从 80.8 略降到 79.9 分。 研究另有一部分实验性内容：50 多个模拟应用提供“加入购物车”这类直接命令，智能体可在点击滑动与直接命令之间自由切换。未经针对性训练时模型倾向忽略这些捷径，训练后可多完成最多 10.3 个百分点的任务，并少用约五步，且能迁移到训练中未遇到的工具。这些接口目前只存在于模拟应用中，作者也将其称为实验性方法。部分结果来自团队自建的 215 项任务基准，其中近一半跨多个应用，任务完成与否由程序比对应用存储数据前后变化判定，而非语言模型打分。