阿里巴巴的Qwen-UI-Agent在真实手机上的得分高于沙盒环境

Qwen-UI-Agent在真实手机上的得分高于其旁的沙盒基准。阿里巴巴通义实验室2026年7月30日提交的技术报告列出，真实设备测试MobileWorld-Real的得分为92.2%，而MobileWorld为82.1%。论文没有解释这一差距，且两个任务的难度可能并不相同。无论如何，这一方向正是该项目的核心卖点：一个为真实存在的设备而构建的GUI智能体。

报告将Qwen-UI-Agent定位为“以真实世界为中心的基座GUI智能体”。它覆盖移动端、计算机使用、网页以及DeepSearch环境。这不是一个描述自己会做什么的聊天机器人；该模型直接操作屏幕。其统一动作空间将GUI操作与命令行执行交错在一起，并在单个模型回合中生成批量动作，因此模型可一次规划多个步骤，而不是每次点击都来回往返。一个轻量级的harness层增加了有状态工作流以及论文所称的主动服务启动。

论文开篇提出了GUI智能体的愿景：作为“现有数字设备上的通用执行器”。与这一愿景相关的列表很具体：在真实设备上可靠运行、跨平台执行工作流、将GUI交互与CLI结合、完成长程任务、主动启动有用的服务，并以最少的人力投入改进。可以把这一设计看作针对该列表的清单：真实设备运行时对应可靠性，跨环境沙盒对应覆盖范围，统一动作空间对应GUI加CLI需求，harness对应主动工作，飞轮对应自我改进。

一个智能体，四个环境

训练设置与得分同样值得关注。一个AutoResearch风格的数据飞轮让智能体构建任务和环境、诊断失败，并规划后续迭代。在线强化学习在超过100轮的轨迹上进行训练，超过10,000个并发环境加速了轨迹生成。长程工作, , 在100个或更多模型回合中保持一个目标, , 正是该设置所针对的训练场景。

得分

下表来自Qwen-UI-Agent项目页面。报告声称移动端取得了最先进的结果；计算机和浏览器使用则被描述为与前沿模型相比具备竞争力，并点名了Opus 4.8、Gemini 3.1 Pro和GPT-5.6 Sol。

OSWorld这一行值得再看一眼。在OSWorld-Verified上，该智能体取得79.5%。在OSWorld-v2上，报告列出40.0%的部分进展得分。这两个测试不同，如此大的差距正是“能完成桌面任务的智能体”和“只能完成一部分的智能体”之间的区别。如果你想从这份报告中读一个数字，请读这个。它是当前系统诚实的边界。

值得关注之处

关于最先进移动端和具有竞争力的桌面端的比较声明来自作者。这里没有任何内容经过独立验证，而且该项目在Hugging Face上获得了278个赞，对于一篇声称登顶的论文来说，这个数字并不算高。飞轮还提出了一个显而易见的问题：当智能体构建它们训练所用的任务和环境时，得分中有多少是能力，又有多少是经过调整、迎合基准测试奖励的循环？MobileWorld-Real和MobileWorld之间无法解释的差距也指向同一方向。

这些都不意味着这份报告只是一场演示。Qwen-UI-Agent将真实硬件引入了训练循环，而AndroidDaily上97.5%的成绩是竞争对手实验室会想要验证的那种数字。桌面端的差距是值得关注的点。缩小这一差距，现实世界的说法就不仅适用于手机，也适用于桌面。