南京大学与商汤科技发布OpenMobile-2：模拟应用多样性提升手机智能体泛化能力

南京大学、AI公司商汤科技（SenseTime）及其他高校的研究人员发布了OpenMobile-2项目，旨在缩小开源手机智能体与专有模型之间的性能差距。该项目基于Qwen3.5（90亿参数）和Qwen3.6（270亿参数）构建了两个智能体模型，并公开了完整的训练环境、数据和复现指令。

研究的核心发现是，对于手机智能体而言，训练数据的“应用多样性”比单纯的“数据量”更为关键。在保持相同数据量的情况下，仅增加智能体练习的应用数量，就能将其在未见过应用上的任务成功率从60.7%提升至67.5%。这一结果挑战了传统上认为更多数据必然带来更好性能的直觉，表明复盖更广泛的任务场景对泛化能力至关重要。

为了解决真实应用训练成本高、状态难以重置的问题，团队重建了包括淘宝、京东、滴滴、美团以及Slack、Google Drive在内的35个流行应用的模拟版本，结合现有模拟器，构建了一个涵盖超过110个应用的训练环境。这些模拟应用保留了核心工作流和界面逻辑，但允许自动重置状态，使智能体能够像人类一样仅通过屏幕截图进行交互。

在基准测试中，OpenMobile-2-27B模型在AndroidWorld上的得分从67.1跃升至79.9，在更复杂的跨应用任务基准MobileWorld上从35.9提升至50.4。特别是在真实Android设备测试SPA-Bench中，该模型获得了59.6分，研究人员称这是目前开源模型中的最高分。尽管强化学习带来了有限增益，但在某些环境下甚至导致分数轻微下降，显示监督微调在多样化模拟环境中已具备较强竞争力。

此外，研究还探索了混合模式，即智能体同时使用图形界面操作和直接调用应用暴露的工具接口。经过针对性训练后，智能体能更有效地利用这些快捷方式，任务解决率提高了最多10.3个百分点，且所需步骤减少了约5步。这种能力甚至能迁移到训练中未遇到的工具上，为未来智能体如何平衡灵活性与效率提供了新思路。