OpenMobile-2 доказва, че агентите за смартфони с отворен код могат да се конкурират с проприетарни модели

Повече данни сами по себе си не правят смартфон агентите по-добри. При еднакво количество данни най-важно е върху колко различни приложения се обучава агентът.

AI агентите, които управляват приложения самостоятелно, се учат основно чрез практика, но необходимите им данни до голяма степен са заключени в големите компании. В резултат моделите с отворен код изостават, пишат изследователи от Нанкинския университет, AI компанията SenseTime и няколко други университета.

OpenMobile-2 е техният опит да преодолеят тази разлика. Те пускат два агентски модела, изградени върху Qwen3.5 с 9 милиарда и Qwen3.6 с 27 милиарда параметъра, заедно с пълната среда за обучение, данните и инструкциите за възпроизвеждане на всичко. Авторите твърдят, че моделите им са сред водещите в момента смартфон агенти.

Защо възстановяването на 110 приложения е по-добро от обучението върху реални

Обучението върху реални приложения е трудно, защото влизанията в акаунти, реалните покупки и липсата на начин за нулиране на състоянието правят процеса скъп и труден за повторение. Затова изследователите са възстановили 35 приложения, популярни най-вече в Китай, включително Taobao, JD, DiDi и Meituan, както и глобално използвани услуги като Slack и Google Drive. В комбинация със съществуващи симулации и приложения, работещи в Android емулатор, тренировъчната среда обхваща повече от 110 приложения.

Човешки проверяващи са сравнявали възстановените приложения с оригиналите и са ги усъвършенствали, докато работните процеси и интерфейсите съвпаднат. Поръчките, бюджетите и плановете за пътуване се запазват между сесиите, а данните могат да се прехвърлят между приложенията чрез клипборда. Всяка симулация автоматично се връща към началното си състояние, докато агентът вижда само екранни снимки и няма достъп до вътрешните данни на приложенията — така се имитира начинът, по който реално би ги използвал човек.

На тази основа екипът е генерирал около 11 600 примерни работни процеса и повече от 2000 тренировъчни задачи с автоматизирани проверки за успех. Gemini 3.1 Pro на Google е служил като учителски модел, който е създал примерите, което означава, че OpenMobile-2 на практика се учи от затворена система.

Производителността на реален телефон се подобрява най-много

И двата модела показват ясни подобрения при утвърдените бенчмаркове. В AndroidWorld по-големият модел се повишава от 67,1 на 79,9 точки, а по-малкият — от 54,3 на 74. Предшественикът OpenMobile-1 е постигнал 64,7 точки на същия тест. При по-трудния бенчмарк MobileWorld, който обхваща по-дълги задачи в множество приложения, по-големият модел се подобрява от 35,9 на 50,4 точки.

Най-големият скок се наблюдава при реални устройства с Android, където по-големият модел се повишава от 31,9 на 59,6 точки в SPA-Bench. Изследователите казват, че това е най-добрият резултат сред моделите с отворен код.

Разнообразието на средата за обучение е по-важно от чистия обем данни. Изследователите са запазили количеството данни постоянно и са увеличили единствено броя на приложенията, върху които агентът се упражнява, което е повишило успеваемостта при непознати приложения от 60,7 на 67,5 процента. При един и същ бюджет за данни разнообразието от приложения е по-ценно от допълнителните примери от шепа приложения.

Обучението с подсилване донесе само ограничени подобрения, главно в среди, наподобяващи тренировъчната конфигурация. В AndroidWorld по-големият модел всъщност постигна малко по-лош резултат след това — 79,9 вместо 80,8 точки.

Директните команди позволяват на агентите да прескачат лабиринта от менюта

Експериментална част от проучването надхвърля натискането и плъзгането. Повече от 50 от симулираните приложения предлагат директни команди като „добави в количката“, така че агентът може да пропусне навигацията през менютата, и свободно превключва между двата подхода според наличните възможности.

Само по себе си това обаче не помага особено, защото моделите обикновено игнорират преките пътища без целенасочено обучение. След като бъдат обучени да ги използват, агентите се справят добре с тях, решавайки до 10,3 процентни пункта повече задачи и нуждаейки се от около пет стъпки по-малко. Изследователите казват, че тази способност се прехвърля и към инструменти, с които моделите не са се сблъсквали по време на обучението.

По време на последващия етап на обучение с подсилване използването на инструменти е получавало бонус, когато дадено изпълнение включва поне една директна команда, макар че наградата все още е зависела от това дали задачата действително е изпълнена. Приписването на успех, който не е реален, е водело до санкции. Засега тези интерфейси съществуват само в симулираните приложения, а самите изследователи определят подхода като експериментален.

Някои резултати идват от специално създаден от екипа бенчмарк с 215 задачи, почти половината от които обхващат множество приложения. Изпълнението на задачите не се оценява от езиков модел, а от програма, която сравнява съхранените данни на приложението преди и след всяко изпълнение. Авторите са проверили и за припокриване между тренировъчните и тестовите задачи и са открили само незначителни сходства.

Microsoft Research вече беше класифицирала API агентите като по-надеждни, а GUI агентите като по-гъвкави в проучване от 2025 г., посочвайки мобилните приложения като типичен случай, в който външни интерфейси не съществуват. Oppo поема различен път със своя агент с отворен код X-OmniClaw, който работи на реални устройства и възпроизвежда предварително показани пътища в приложения като Taobao или Meituan чрез deeplink връзки, вместо отново да преминава през менютата с натискания. Сред затворените модели Google е вградил управлението на смартфон директно в Gemini 3.5 Flash.

AI новини без сензации – подбрани от хора

Абонирайте се за THE DECODER и получете четене без реклами, седмичен AI бюлетин, нашия ексклузивен обзор на водещите разработки „AI Radar“ шест пъти годишно, пълен достъп до архива и достъп до секцията за коментари.