OpenMobile-2 доказывает, что агенты для смартфонов с открытым исходным кодом могут конкурировать с проприетарными моделями

Одни лишь дополнительные данные не делают смартфонных агентов лучше. При одинаковом объёме данных важнее всего то, на скольких разных приложениях обучается агент.

ИИ-агенты, которые самостоятельно работают с приложениями, учатся в основном на практике, однако необходимые им данные по большей части находятся в закрытом доступе у крупных компаний. В результате открытые модели отстают, пишут исследователи из Нанкинского университета, ИИ-компании SenseTime и нескольких других университетов.

OpenMobile-2 — их попытка сократить этот разрыв. Они выпускают две модели агентов на базе Qwen3.5 с 9 миллиардами и Qwen3.6 с 27 миллиардами параметров, а также всю среду обучения, данные и инструкции для воспроизведения эксперимента. Авторы утверждают, что их модель входит в число лидеров среди современных смартфонных агентов.

Почему воссоздание 110 приложений эффективнее обучения на реальных

Обучение на реальных приложениях затруднено из-за необходимости входа в аккаунты, настоящих покупок и отсутствия возможности сбросить состояние, что делает процесс дорогим и сложным для повторения. Поэтому исследователи воссоздали 35 приложений, популярных главным образом в Китае, включая Taobao, JD, DiDi и Meituan, а также глобально используемые сервисы вроде Slack и Google Drive. Вместе с уже существующими симуляциями и приложениями, работающими в эмуляторе Android, тренировочная среда охватывает более 110 приложений.

Люди-рецензенты сравнивали воссозданные приложения с оригиналами и продолжали их дорабатывать, пока рабочие процессы и интерфейсы не совпали. Заказы, бюджеты и планы поездок сохраняются между сессиями, а данные могут передаваться между приложениями через буфер обмена. Каждая симуляция автоматически возвращается в исходное состояние, при этом агент видит только скриншоты и не имеет доступа к внутренним данным приложения, что имитирует реальное использование человеком.

На основе этой системы команда создала около 11 600 примеров рабочих процессов и более 2 000 практических заданий с автоматической проверкой успешности. Gemini 3.1 Pro от Google выступала в роли модели-учителя, которая создавала примеры, а значит, OpenMobile-2 фактически обучается на закрытой системе.

На реальных телефонах производительность растёт сильнее всего

Обе модели демонстрируют заметный прогресс на устоявшихся бенчмарках. В AndroidWorld более крупная модель выросла с 67,1 до 79,9 балла, а меньшая — с 54,3 до 74. Предшественница OpenMobile-1 набрала в том же тесте 64,7 балла. В более сложном бенчмарке MobileWorld, охватывающем длительные задания в нескольких приложениях, более крупная модель улучшила результат с 35,9 до 50,4 балла.

Самый большой скачок наблюдается на реальных устройствах Android: более крупная модель поднялась с 31,9 до 59,6 балла в SPA-Bench. Исследователи утверждают, что это лучший результат среди открытых моделей.

Здесь разнообразие тренировочной среды важнее общего объёма данных. Исследователи сохранили объём данных неизменным и увеличили только число приложений, на которых практиковался агент, благодаря чему доля успешных выполнений в незнакомых приложениях выросла с 60,7 до 67,5 процента. При одинаковом бюджете данных разнообразие приложений эффективнее дополнительных примеров из нескольких приложений.

Обучение с подкреплением поверх этого дало лишь ограниченный прирост, главным образом в средах, похожих на тренировочную. В AndroidWorld более крупная модель после этого фактически показала немного худший результат — 79,9 вместо 80,8 балла.

Прямые команды позволяют агентам обходить лабиринт меню

Экспериментальная часть исследования выходит за рамки нажатий и смахиваний. Более 50 симулированных приложений поддерживают прямые команды вроде «добавить в корзину», позволяя агенту не проходить через меню, а сам агент свободно переключается между обоими подходами в зависимости от доступных возможностей.

Однако сами по себе эти команды не слишком помогают, поскольку без специального обучения модели обычно игнорируют такие быстрые способы. После обучения агенты хорошо их используют, решая до 10,3 процентного пункта больше заданий и делая примерно на пять шагов меньше. Исследователи утверждают, что эта способность также переносится на инструменты, с которыми модели не сталкивались во время обучения.

На последующем этапе обучения с подкреплением использование инструментов получало дополнительный бонус, если в ходе выполнения применялась хотя бы одна прямая команда, однако награда по-прежнему зависела от фактического завершения задания. Агент получал штраф, если сообщал об успехе, которого на самом деле не было. Сейчас эти интерфейсы существуют только в симулированных приложениях, и сами исследователи называют этот подход экспериментальным.

Некоторые результаты получены на созданном командой специальном бенчмарке из 215 заданий, почти половина которых охватывает несколько приложений. Завершённость задания оценивается не языковой моделью, а программой, которая сравнивает сохранённые данные приложения до и после каждого запуска. Авторы также проверили пересечения между обучающими и тестовыми заданиями и обнаружили лишь незначительное сходство.

В исследовании 2025 года Microsoft Research уже классифицировала API-агентов как более надёжных, а GUI-агентов — как более гибких, указав на мобильные приложения как на типичный случай, когда внешние интерфейсы отсутствуют. Oppo выбрала другой путь со своим открытым агентом X-OmniClaw, который работает на реальных устройствах и воспроизводит ранее показанные сценарии в приложениях вроде Taobao или Meituan через диплинки вместо повторного прохождения меню нажатием. Среди закрытых моделей Google встроила управление смартфоном непосредственно в Gemini 3.5 Flash.

Новости ИИ без шумихи — отобраны людьми

Подпишитесь на THE DECODER и получите чтение без рекламы, еженедельную рассылку об ИИ, эксклюзивный аналитический отчёт «AI Radar» о передовых технологиях шесть раз в год, полный доступ к архиву и разделу комментариев.