仅靠更多数据并不能让智能手机智能体变得更好。在数据量相同的情况下，最关键的是智能体在多少个不同的应用上进行训练。
AI 智能体能够自主操作应用的智能体主要通过实践来学习，但它们所需的数据大多被大公司锁住。因此，开源模型处于落后状态，南京大学、AI 公司商汤科技以及其他几所大学的研究人员写道。
OpenMobile-2是他们缩小这一差距的尝试。他们发布了两个智能体模型，分别基于Qwen3.5，90 亿和Qwen3.6，270 亿参数，同时发布了完整的训练环境、数据和复现一切所需的说明。作者表示，他们的模型在当前的智能手机智能体中排名接近前列。
为什么重建 110 个应用胜过在真实应用上训练
在真实应用上训练很痛苦，因为登录、真实购买以及无法重置状态使这个过程既昂贵又难以重复。因此，研究人员重建了 35 个主要在中国流行的应用，包括淘宝、京东、滴滴和美团，以及 Slack 和 Google Drive 等全球使用的服务。结合现有的模拟环境和在 Android 模拟器中运行的应用，这个练习场覆盖了 110 多个应用。
人工审核人员将重建的应用与原始应用进行对比，并不断改进，直到工作流程和界面匹配。订单、预算和旅行计划在会话之间保持，数据可以通过剪贴板在应用之间传递。每个模拟环境都会自动重置到初始状态，而智能体只能看到截图，无法访问应用内部数据，模拟了人们实际使用它们的方式。
基于这一设置，团队生成了约 11,600 个示例工作流程和 2,000 多个带有自动成功检查的练习任务。Google 的 Gemini 3.1 Pro作为生成这些示例的教师模型，这意味着 OpenMobile-2 实际上是在从一个闭源系统中学习。
真机性能提升最大
两个模型在既有基准测试上都有明显提升。在 AndroidWorld 上，较大模型从 67.1 分跃升至 79.9 分，较小模型则从 54.3 分升至 74 分。前代 OpenMobile-1 在同一测试中得分为 64.7。在难度更高的 MobileWorld 基准测试中（涵盖跨多个应用的较长任务），较大模型从 35.9 分提升至 50.4 分。
最大的跃升出现在真实 Android 设备上，较大模型在 SPA-Bench 上从 31.9 分攀升至 59.6 分。研究人员表示，这是开源模型中的最佳成绩。
在这里，训练环境的多样性比单纯的数据量更重要。研究人员保持数据量不变，仅增加智能体练习所涉及的应用数量，结果在未见过的应用上的成功率从 60.7% 提升至 67.5%。在相同的数据预算下，应用多样性胜过从少数几个应用中增加额外样本。
强化学习叠加其上仅带来有限收益，主要体现在与训练设置相似的环境中。在 AndroidWorld 上，较大模型在之后实际上得分略有下降，为 79.9 分而非 80.8 分。
直接命令让智能体跳过菜单迷宫
该研究的一个实验性部分超越了点击和滑动。超过 50 个模拟应用提供诸如“加入购物车”之类的直接命令，使智能体可以跳过菜单导航，并且智能体会根据可用情况在两种方式之间自由切换。
不过，仅靠这一点帮助不大，因为如果没有针对性训练，模型往往会忽略这些捷径。一旦经过相关训练，智能体就能很好地使用它们，多完成最多 10.3 个百分点的任务，同时所需步骤减少约 5 步。研究人员表示，这种能力也能迁移到模型训练期间从未接触过的工具上。
在后期的强化学习阶段，只要一次运行包含至少一条直接命令，工具使用就会获得一个奖励系数，不过奖励仍然取决于任务是否真正完成。当智能体谎报成功时，就会受到惩罚。这些接口目前只存在于模拟应用中，研究人员自己也称这种方法为实验性的。
部分结果来自团队构建的一个自定义基准测试，包含 215 个任务，其中近一半跨多个应用。任务完成情况不是由语言模型评判，而是由一个程序在每次运行前后对比应用存储的数据来判定。作者还检查了训练任务与测试任务之间的重叠，只发现了轻微的相似性。
Microsoft Research 此前已经将API 智能体归类为更可靠，而 GUI 智能体更灵活，这是 2025 年的一项研究得出的结论，并指出移动应用是外部接口不存在的典型场景。Oppo 则在其开放智能体上采取了不同的路线X-OmniClaw，它运行在真实设备上，通过深度链接在淘宝或美团等应用中重放此前展示过的路径，而不是再次点击菜单。在闭源模型中，Google 已将智能手机控制直接内置到Gemini 3.5 Flash中。