阶跃星辰重磅开源 GELab-Zero ，首次将 GUI Agent 模型与完整配套基建同步开放，支持手搓党一键部署。其中 4B GUI Agent 模型在手机端、电脑端等多个 GUI 榜单上全面刷新同尺寸模型性能纪录，取得 SOTA 成绩。此外，阶跃此次还开源了基于真实业务场景的自建评测标准 AndroidDaily，以期推动 GUI 领域模型评测向消费级、规模化应用发展。
开源链接
- GitHub:
https://github.com/stepfun-ai/gelab-zero - Model:
https://modelscope.cn/models/stepfun-ai/GELab-Zero-4B-preview - 体验Demo：
https://www.modelscope.cn/studios/stepfun-ai/GELab-Zero-4b
研究背景
随着 AI 在手机等消费终端的普及，Mobile Agent 正从“能不能用”迈向“能否规模化落地”的关键阶段。作为其中执行能力最强的形态之一，GUI Agent 基于视觉理解即可适配几乎所有 App，无需厂商额外改造，接入成本极低，被视为打破移动生态信息孤岛、实现大规模应用的最现实路径。
然而，要让 GUI Agent 在不同品牌与系统版本的设备上顺畅运行并不轻松。移动生态的高度碎片化让开发者需处理多设备 ADB 连接、依赖安装、权限配置、推理服务部署、任务编排与回放等繁琐流程，工程成本高昂，精力难以聚焦在策略创新与体验设计上。
要推动移动端 Agent 真正规模化，必须首先降低开发与使用门槛，让开发者专注于创造价值，而非重复搭建底层设施。为此，阶跃星辰研究团队开源了 GELab-Zero，希望加速 GUI Agent 的创新和落地。它主要包含三部分：
- 一个能在本地运行的 GUI Agent 模型 GELab-Zero-4B-preview
- 即插即用的完整推理工程基建，解决所有脏活累活
- 基于真实业务场景的自建评测标准 AndroidDaily
研究亮点
亮点 1：同尺寸性能 SOTA，端到端、轻量化、速度快
研究团队在 ScreenSpot、OSWorld、MMBench、Android World 多个开源基准测试上对 GELab-Zero-4B-preview 模型进行了全面评估，涵盖了 GUI 理解、定位、交互等多个维度。与其他开源模型的对比结果如下：
从测试结果可以看出，GELab-Zero-4B-preview 在多项权威开源基准测试中超越其他主流模型，拿下同尺寸 SOTA。
值得一提的是，GELab-Zero-4B-preview 的表现还超越了参数量更大的 GUI-Owl-32B 等模型，性能更优也更易部署。
在以下示例场景中可以看到，GELab-Zero-4B-preview 模型能够很好地执行「复杂任务」和「模糊指令」。不仅可以准确、流畅地执行涉及到多步骤、多主体、重复操作的任务，也能对“好看”、“适合玩的”、“经典”等偏笼统和主观性的指令进行自主拆解，确定执行路径和标准。
「复杂任务」
在外卖平台同时采购跨品类、不同规格和数量的商品，模型精准识别了物品信息，并顺畅地完成了多步骤、重复性的购买操作。
Prompt:去饿了么离我最近的盒马鲜生购买：红颜草莓 300g、秘鲁比安卡蓝莓 125g（果径 18mm）、当季新鲜黄心土豆 500g、粉糯贝贝南瓜 750g、盒马大颗粒虾滑、2 瓶盒马纯黑豆豆浆 300ml、小王子夏威夷果可可脆 120g、盒马菠菜面、盒马五香牛肉、5 袋好欢螺柳州螺狮粉（加辣加臭）400g、m&m's 牛奶巧克力豆 100g
📎0b2esuaacaaahmadyrznwfuvbfodagkqaaia.f10002.mp4
模型执行的能力和范围具有很强的泛化性，无论在国民级 APP 还是小众产品平台，都可以顺利完成任务。在以下示例中，模型在企业福利 APP 内精准地找到了餐券领取入口，并成功执行多步骤复杂任务，为用户完成餐券申领。
Prompt：打开给到 app，在我的，下滑寻找，员工权益-奋斗食代，帮我领劵。
📎0bc37uaaoaaaqaadsrrnhbuvb7oda76qabya.f10002.mp4
「模糊指令」
模型接到指令挑选特定演员的「经典」动作片，自主拆解「经典」这一需求，确定执行标准。在执行过程中，模型先打开腾讯视频，识别并关闭了弹窗，搜索「成龙」后在电影类目中选择了页面上成龙评分最高的代表作播放。
Prompt：在腾讯视频上找一部成龙的经典动作片播放。
📎0bc3wmaemaaad4ahrrjn6buvbm6di2zqarqa.f10002.mp4
模型接到指令寻找“适合带孩子玩的地方”，首先在内容平台搜索“北京周末带娃”，然后自主判断衡量标准后为用户推荐北京园博园“顽酷奇遇”，并为用户提炼出该地点的亮点：“有巨型装置卡通，亲子活动丰富”。
Prompt：帮我找个周末能带孩子去玩的地方。
📎0bc3s4alqaaaimainzjnfzuvbf6dxclqboaa.f10002.mp4
亮点 2：GUI+基建= GUI Agent MCP，一键拉起部署
研究团队针对 GUI 智能体构建了一整套完整的技术架构体系，一键拉起即可获得类似开源 GUI Agent MCP 的体验。具体能力如下：
- 轻量化本地推理能力：支持 4B 模型在消费级硬件上运行，兼顾低延迟与隐私。
- 一键多终端部署：提供统一部署流水线，自动处理环境依赖和设备管理。
- 分布式任务编排：可以分发到多台手机并记录交互轨迹，实现可观测、可复现。
- 多模态智能体范式：涵盖 ReAct 闭环、多智能体协作以及定时任务等多种工作模式。
这些能力让 GELab-Zero 能够灵活应对真实场景的复杂任务流，并为后续扩展提供扎实底座。Agent 开发者可基于这套基建快速测试新想法、验证交互策略；企业级用户则能直接复用这套基建，将 MCP 能力快速植入到产品业务中。
亮点 3：自建并开源贴合真实业务场景的评测基准：AndroidDaily
此外，研究团队基于手机、IoT、汽车等行业头部公司的真实合作案例，建立了高度贴合业务场景的评测基准。
目前主流基准测试大部分聚焦于生产力类应用（如邮件与文档处理），然而在日常真实场景中，用户高频依赖的却是生活服务类应用，如外卖、打车、社交、支付等，而这部分场景不仅覆盖面更广，也更能体现当下 GUI Agent 的实用价值。
为此阶跃研究团队提出了 AndroidDaily：一个面向真实世界、动态演进的多维基准体系，聚焦现代生活六大核心维度：饮食、出行、购物、居住、信息消费、娱乐，并优先选择在这些类别中具有代表性（高频使用、应用商店日活排名靠前）的主流应用进行测试，高度还原真实任务执行流程（包括询问用户更多信息补充输入、高危操作请求用户接管）。
GELab-Zero-4B-preview 在 AndroidDaily 测试中准确率达到 73.4% ，在移动端复杂任务中表现优秀
为了平衡评估的全面性和执行效率，AndroidDaily 采用了静态评测和端到端评测双轨评估体系。静态评测考察模型的 grounding（界面理解、元素识别）和 action 规划能力，用于检验其在推理与执行一致性等基础层面的表现； 端到端测试重点衡量 GUI Agent 在真实环境中处理复杂任务时的执行效果与稳定性。
- 静态测试：包含 3146 个 actions。提供任务描述和逐步的屏幕截图，要求 Agent 预测每一步的动作类型和动作值（如点击坐标、输入文本），主要评估数值准确率。这种方法无需复杂的工程基础设施，可以快速、低成本地进行大规模模型迭代和测试。
- 端到端测试：包含 235 个任务，典型任务场景包括：出行交通（打车、导航、公共交通等）、购物消费（电商购物、支付、订单管理等）、社交通讯（消息发送、社交互动等）、内容消费（新闻阅读、视频观看、内容收藏等）、本地服务（外卖、到店服务）等。在完全功能化的测试环境（如真实设备或模拟器）中进行，Agent 需要从头到尾自主执行任务，最终以整体任务成功率作为评价指标，能真实反映智能体在复杂环境中的综合能力。
研究团队相信 GUI Agent 是大模型从数字世界走进物理世界的关键一步，希望通过 GELab-Zero 的开源，进一步降低移动端 Agent 的开发门槛，让更多开发者能够快速构建和验证自己的想法。
