Qwen-UI-Agent 技术报告:面向下一代真实场景基础 GUI 智能体

阿里通义千问团队发布 Qwen-UI-Agent 技术报告,推出一个面向手机、电脑、网页和深度搜索四类真实场景的基础 GUI 智能体,目标是让 AI 真正能在现实设备上动手操作,而不只是停留在演示阶段。

• 统一动作空间把 GUI 点击操作和命令行执行揉进同一套指令体系,单轮模型输出即可批量执行多步动作
• 采用类似「AutoResearch」的数据飞轮机制:由智能体自主构造任务和环境、诊断失败原因、规划下一轮迭代,减少人工标注依赖
• 在线强化学习支持超过 100 轮的长时序任务训练,并用超过 1 万个并发环境加速数据采样
• 手机端跑分全面登顶:MobileWorld 82.1%、MobileWorld-Real 92.2%、AndroidDaily 高达 97.5%
• 电脑和浏览器操作上与 Opus 4.8、Gemini 3.1 Pro、GPT-5.6 Sol 等前沿模型正面竞争,OSWorld-Verified 达 79.5%、WebArena 73.6%
• GUI 智能体正从「能演示」走向「能真机跑分登顶」,这类通用数字设备操作能力一旦成熟,将直接冲击 RPA、自动化测试和手机助手等现有产品形态。

本内容由 AI 生成，仅供参考，请注意甄别