阿里发Qwen-UI-Agent：让模型自己在手机上点来点去，AndroidDaily跑到97.5%

8月20日阿里放出了 Qwen-UI-Agent，一个专门干”操作界面”这件事的基座模型。手机、电脑、网页三端全覆盖，还带 DeepSearch 环境。

先看数字。移动端 MobileWorld 82.1%，比 GPT-5.6 Sol 高 12 个点，比 Claude Opus 4.8 高 14.6 个点；换到贴近真机的 MobileWorld-Real，92.2%，把 Gemini 3.1 Pro 也压下去了；AndroidDaily 97.5%，基本是天花板。桌面端 OSWorld-Verified 79.5%，WebArena 73.6% 排第一，GUI Grounding 的 ScreenSpot-Pro 81.5%。

这事的关键其实不在榜单，在他们怎么造训练环境。阿里搭了一套 100 多台真手机、150 多款 App 的真机集群，让模型在真的系统里点、划、等加载、被弹窗打断。GUI 智能体一直卡在”仿真里跑得飞起，装到真机上就懵”，因为模拟器不会给你弹一个开屏广告，也不会让你的网络突然卡三秒。用真机跑数据成本高得多，但这一步不吃透，benchmark 再漂亮也落不了地。

另一个被低估的点是 Grounding。让模型说出”我要点搜索框”很容易，让它在 1080p 截图里精确指出搜索框的像素坐标才是硬活。ScreenSpot-Pro 考的就是这个，81.5% 意味着五次里面大概有一次会点歪——听起来还行，但如果一个任务要连点十几步，单步 81.5% 乘起来就很难看了。所以后面几个刷新 SOTA 的基准更值得看，它们考的是端到端把事办成。

对普通用户来说，这类模型真正兑现的场景是”帮我把这个 App 里的东西导出来”、”照着这个流程给我把表填了”。目前还没到你能随手托付的程度，但从模拟器搬到真机这一步走完了，剩下的就是磨。

顺带说一句，阿里这两年在 通义Qwen 这条线上的节奏是真的快，开源基座、多模态、Agent 三头并进，海外开发者社区的讨论热度也一直没掉下去。