10 月 25 日，南京大学与商汤等团队开源手机智能体 OpenMobile-2，把训练用的应用数量推到 110 个以上。基于 Qwen3.6 27B 的版本在 AndroidWorld 上从 35.9 分涨到 50.4 分，在真机 SPA-Bench 上从 31.9 分涨到 59.6 分。
决定手机智能体上限的是应用数量
团队的结论很直接，同样多的数据量下，智能体训练过多少种不同的应用，比数据本身更关键。这类智能体主要靠实践学习，需要的数据却大多锁在大公司手里，开源模型因此长期落后。
他们重建了 35 个以中国市场为主的热门应用，包括淘宝、京东、滴滴、美团，以及 Slack、Google Drive 这类全球服务，加上既有仿真和安卓模拟器里的应用，练习场覆盖 110 多个应用。人工审核者把重建应用和原版对比，反复修改到工作流和界面一致。订单、预算、旅行计划能跨会话保留，数据还能通过剪贴板在应用之间传递。每次仿真会自动重置回初始状态，智能体只看屏幕截图，拿不到应用的内部数据，模拟的是人使用手机的方式。
两个模型与一万六千条工作流
OpenMobile-2 放出两个智能体模型，分别基于 Qwen3.5 9B 和 Qwen3.6 27B，同时开源训练环境、数据和复现说明。团队用这套环境生成了约 11600 条示例工作流，以及 2000 多个带自动成功判定的练习任务。教师模型是谷歌的 Gemini 3.1 Pro，负责产出这些示例，这也意味着 OpenMobile-2 实际在学一个封闭系统。端侧小模型的取舍可以对照 Ternary Bonsai 2 手机端模型 的做法。
基准分数与开源排名
在 AndroidWorld 上，27B 版本从 67.1 分提升到 79.9 分，9B 版本从 54.3 分提升到 74 分，上一代 OpenMobile-1 在同一测试里是 64.7 分。更难的 MobileWorld 覆盖跨多个应用的长任务，27B 版本从 35.9 分提升到 50.4 分。
提升幅度最大的地方在真实安卓设备上，27B 版本在 SPA-Bench 从 31.9 分涨到 59.6 分，研究者称这是目前开源模型中的最好成绩。
延伸阅读
- 三星电视被曝用 AI 录音截屏：Tizen 后台开麦约 5 秒做广告定向1 小时前
- MIT 让 13 个智能体在荒岛上自己玩：玩过的更会解题2 天前
- 微软Decision-1发布：36项基准83.5%准确率，延迟比GPT-6 Sol快35倍2 周前
- 美国 4 家大行封锁 AI 智能体登录：摩根士丹利完全禁用3 天前
继续读
同一批更新里这几篇值得一看：
- 三星电视被曝用 AI 录音截屏：Tizen 后台开麦约 5 秒做广告定向2026-10-26
- Daytona 智能体云 B 轮 6000 万美元：估值 10 亿美元2026-10-24
- 百度世界 2026 分论坛公布：11 月 12 日开幕，10 场聚焦智能组织2026-10-24
想快速查定义？对应的词条在这里：
- Qwen词条 · AI 自学笔记