上海交大开源MobiAgent：人人都能炼专属AI助手，实测性能超越GPT-5！

type

status

date

slug

summary

破局者登场：MobiAgent是什么？

MobiAgent 是一套集“数据捕获、模型训练、推理加速、自动评测”于一体的四位一体开源框架。它彻底打通了移动智能体从概念到落地的“最后一公里”，其核心目标是大幅降低开发门槛，让任何人都能为自己或他人创建功能强大、运行高效的个性化手机Agent。

与依赖云端强大算力的大模型（如ChatGPT）不同，MobiAgent更专注于端侧部署，这意味着您的私人数据和操作习惯可以保留在本地设备上，既保证了隐私安全，又实现了更快的响应速度。它的出现，为AI技术在个人设备上的普及和应用开辟了全新的想象空间。

揭秘核心技术（一）：AI如何学会“玩手机”？

要让AI像人一样熟练操作手机App，首先需要高质量的“教材”。MobiAgent为此设计了一套AI辅助的敏捷数据收集流水线。

轻量级操作录制：通过一个小工具，MobiAgent可以轻松记录下人类用户在手机上的所有操作轨迹，如点击、滑动和输入。

AI“脑补”思考过程：仅有操作记录还不够，AI需要理解每一步背后的“意图”。MobiAgent利用视觉语言模型（VLM），观察操作录屏，自动生成每一步的思考逻辑和决策过程，形成高质量的训练数据。

自动化数据“精炼”：生成的数据会经过一个自动化流水线进行优化，平衡任务难度、调整信息长度，确保训练出的Agent模型具备强大的泛化能力。

在模型“大脑”的设计上，MobiAgent的MobiMind模型采用了分工明确的“三人小组”架构： * 规划师 (Planner)：负责理解复杂任务，并将其拆解成一个个可执行的小步骤。 * 决策者 (Decider)：观察当前手机屏幕，结合任务目标，决定下一步具体该做什么。 * 执行者 (Grounder)：将“点击搜索按钮”这类抽象指令，精准地转换为屏幕上的坐标并执行点击。

这种模块化的设计不仅提升了训练效率，也让Agent的行为更加精准和可靠。

揭秘核心技术（二）：让AI拥有“肌肉记忆”

一个聪明的AI助手，如果反应迟钝，用户体验也会大打折扣。为此，MobiAgent团队开发了创新的AgentRR（Agent Record & Replay）加速框架。

这个框架的核心思想类似于人类的“肌肉记忆”。对于我们经常重复的任务，比如每天点开App签到，或者搜索附近的咖啡店，我们几乎是下意识完成的，无需每次都重新思考。AgentRR正是为AI赋予了这种能力。

它会将Agent执行过的任务轨迹以树状结构（ActTree）记录下来。当遇到新的、相似的任务时，一个超轻量的“潜意识模型”会迅速判断：“这个任务我做过，前几步可以直接复用！” 例如，无论是“搜附近的火锅店”还是“搜附近的电影院”，打开地图、点击搜索框这两步是完全相同的。AgentRR可以直接“重放”这段操作，跳过大模型的复杂思考过程，从而大幅提升效率。

测试数据显示，在模拟真实用户使用习惯（80%请求集中在20%任务）的场景下，动作复用率高达60%-85%，最终带来2到3倍的端到端任务性能提升。

真实场景大比拼：实测性能超越顶级大模型

理论再好，也要实战检验。为了公平、客观地评估Agent的真实能力，团队专门打造了一个更贴近现实的评测基准MobiFlow。它覆盖了国内主流的社交、影音、购物、旅行等多个领域的App，通过“里程碑”式的节点对任务完成度进行精确打分。

评测结果令人瞩目：7B规模的MobiAgent模型组合，在绝大多数App上的任务完成分都超越了包括GPT-5、Gemini 2.5 Pro在内的顶级闭源大模型。

特别是在购物、外卖这类操作流程复杂的任务上，MobiAgent的优势尤为明显。相比之下，一些通用大模型在执行任务时会“偷懒”，例如将所有需求一次性输入搜索框，过度依赖App自身的AI搜索能力，一旦遇到不支持的App，任务完成率便急剧下降。更关键的是，MobiAgent在所有测试中都能正确终止任务，而GPT-5甚至在11个App上出现了“无限循环”的卡死问题。

MobiAgent的出现，不仅在技术性能上树立了新的标杆，更重要的是，它通过彻底开源，将曾经属于少数科技巨头的强大能力交到了每一位开发者和AI爱好者手中。一个“能动口就不动手”的智能移动时代，正以前所未有的速度向我们走来。

想要了解更多前沿的AI资讯和人工智能技术，探索大模型的无限可能，欢迎访问AIGC导航（https://aigc.bar），获取最新的AI新闻和深度解读。