手机 Agent 的开源逆袭：OpenMobile-2 证明，练得多不如练得杂

过去一年，Agent 的战场一直在云端和代码编辑器里打，而最贴近普通人的一块屏幕——手机，却始终是大厂的自留地。原因并不神秘：手机 Agent 需要在真实 App 里点按、滑动、填表、跨应用跳转，而这些交互轨迹数据基本锁在 Google、苹果等厂商手里，开源社区拿不到，也就练不出能用的手机助手。
据报道，南京大学、商汤及合作高校的研究团队在 2026 年 10 月 25 日前后公开的 OpenMobile-2 项目，正是要把这道墙拆掉：它一次放出了两个完整的手机 Agent 模型——基于 Qwen3.5 的 9B 版本和基于 Qwen3.6 的 27B 版本——以及背后的整套训练环境、数据集和复现说明。也就是说，别人不只给你一个能跑的模型，还给你整条生产线。
一个反直觉的结论：数据量没变，换 App 就变强了
OpenMobile-2 最值得讨论的不是参数规模，而是一组对照实验。研究团队在一个内置 110 多个 App 的仿真环境里训练 Agent，然后在模型从未见过的 App 上测试。关键在于，他们固定了训练数据总量，只增加训练中覆盖的 App 种类。结果是：未见 App 上的任务成功率从 60.7% 提升到了 67.5%。
这个数字不大，却很要害。它说明手机 Agent 泛化的瓶颈可能不在“喂了多少条轨迹”，而在“见过多少种界面和交互范式”。同一个 App 里刷再多数据，模型学到的往往是这个 App 的固定布局和固定流程；换一个 App，按钮位置变了、流程变了、报错方式变了，能力就断崖式下跌。而见过足够多 App 的模型，学到的更像是通用技能：怎么找入口、怎么读界面状态、怎么在一步失败后换条路走。
这对训练思路是个纠正。过去很多团队默认“规模定律”在所有地方都成立：数据越多越好。但在交互式任务里，数据的多样性维度可能比数量维度更早触顶。把工程时间花在“再爬十万条同类日志”上，不如花在“再搭十个仿真 App”上——后者枯燥得多，却是 OpenMobile-2 证明有效的方向。
为什么是“仿真环境”，而不是真机
手机 Agent 的训练长期卡在一个两难里：用真机贵且慢，还涉及真实账号、真实支付、隐私数据；用截图加人工标注，则覆盖面窄、难以规模化。OpenMobile-2 的解法是把 110 多个 App 做成可复现的仿真环境，让 Agent 可以在里面低成本地反复试错。
这种做法的价值不止于省钱。仿真环境意味着实验可控：同一个任务可以跑一百次、可以精确对比“只加数据”和“只加 App 种类”的效果——上面那组对照实验正是建立在这个可控性之上。没有可复现的环境，所谓的“多样性更重要”就只是一句感觉；有了它，才变成可以验证、可以复用的结论。
当然，仿真也有天花板：仿真 App 再多，也只是对真实世界的近似。真实 App 会改版、会弹广告、会出验证码、会因网络抖动而卡顿，这些“脏”细节恰恰是手机助手在真实场景里最容易翻车的地方。OpenMobile-2 的成绩需要在真机和真实 App 上经受独立复现检验，报道中提到的 27B 模型在 SPA-Bench 上 59.6 分、据称领先现有手机 Agent 的说法，在独立验证之前也应打个折扣看。
开源的意义：把“生产线”而不是“成品”交出来
OpenMobile-2 的另一个亮点是开放的完整度。只放权重，别人只能用；放出环境、数据和搭建说明，别人才能改、才能接力。这对中小团队和研究者尤其重要：他们没有大厂的真机农场和用户轨迹，但可以站在这个仿真环境上继续加 App、加任务、加评测，让手机 Agent 的生态从“几个大厂的演示”变成“很多人能参与的基建”。
更深一层看，这也呼应了 10 月以来的一条主线：Agent 的竞争重心正在从“模型本身”转向“模型周围的东西”——训练环境、Harness、评测、安全护栏。本月早些时候的文章里，我们聊过记忆、Harness 工程化、Agent 安全标准；OpenMobile-2 再添一块拼图：训练环境的广度，本身就是一种核心竞争力。
结语
手机是最适合 Agent 落地的设备，也是最难开放的场景。OpenMobile-2 没有宣称一夜之间打败所有闭源助手，但它给出了一个可复现的证据：想让手机助手在没见过的 App 上也能干活，先别急着堆数据，去把训练场搭得更杂、更广。接下来值得观察两件事：一是其他实验室会不会采纳这种“多样性优先”的训练配方，二是这套方法能不能从 Android 仿真环境走到真实设备和 iOS 生态。如果这两步都走通，手机 Agent 的门槛才算真正被拉平。

信源：AI Daily Post《Open-Source AI Agents Match Proprietary Models》（2026-10-25）报道的 OpenMobile-2 项目情况；部分评测数字为项目方或报道中的说法，尚未经独立复现验证。