00.前言
近日，通义实验室MobileAgent团队正式开源全新图形界面交互基础模型 GUI-Owl，并同步推出支持多智能体协同的自动化框架 Mobile-Agent-v3。该模型基于Qwen2.5-VL打造，在手机端与电脑端共8个GUI任务榜单中全面刷新开源模型性能纪录，达成全平台SOTA。
编辑
GUI-Owl不仅具备精准的界面理解、复杂任务规划与细粒度动作执行能力，更实现了在多智能体框架中灵活扮演多种角色——包括规划者、执行者、反思者与记录者，真正实现“能看、会想、善协作”的智能体闭环。
编辑
目前，GUI-Owl的完整技术方案、训练数据与模型权重已全面开源，配套的异步强化学习框架与轨迹爬取系统也同步开放。
Github: https://github.com/X-PLUG/MobileAgent
论文: https://arxiv.org/abs/2508.15144
模型下载：
GUI-Owl-32B
https://modelscope.cn/models/iic/GUI-Owl-32B
GUI-Owl-7B
https://modelscope.cn/models/iic/GUI-Owl-7B
01.交互能力展示
📎0bc3x4assaab44akpyn63rufdp6dfg7qckia.f10002.mp4
02.模型构建方式
GUI-Owl基础模型，源于三大核心能力的系统性构建：精准定位、复杂规划、动作因果理解。
一、精准界面元素定位：让AI“指哪打哪”
为实现像素级理解，团队构建了三类高质量接地（grounding）数据：
- 开源数据集整合：融合多个公开GUI数据集，覆盖多样界面场景；
- 无障碍树合成：提取移动端/桌面端UI元素的边界框与功能语义，结合Qwen2.5-VL生成视觉-语义对齐描述；
- PC截图密集定位：通过Google Images爬取主流应用界面，利用SAM模型分割图像区域，再由大模型完成细粒度元素标注。
所有标注结果与Omniparser V2检测结果比对，确保数据质量。原始指令经Qwen2.5-Max重写为自然任务语言，提升泛化能力。
编辑
二、复杂任务规划：教会AI“先想后做”
面对跨应用、长周期任务，GUI-Owl通过两种方式构建规划能力：
- 从历史轨迹提炼经验：将成功操作轨迹转化为结构化“任务执行手册”，训练模型掌握任务流；
- 从大模型蒸馏知识：使用Qwen3-235B生成复杂任务计划（如“在微博搜索某热点并截图发朋友圈”），筛选清洗后形成高质量规划数据集。
三、动作语义理解：掌握“操作如何改变界面”
团队构建了前后截图对+动作标签的双层级数据体系：
- 第一层：模型根据界面变化反推操作类型（点击、滑动、输入）及参数（坐标、文本）；
- 第二层：判断操作描述与实际变化是否语义一致（如“点击登录”后是否跳转主页）。
这套机制让GUI-Owl建立起“视觉差异→用户行为”的强因果推理能力。
03.强化学习进阶：越用越强的自动化智能体
编辑
为了突破监督学习的性能天花板，MobileAgent团队引入轨迹级别强化学习，团队构建了一套全异步、解耦式RL训练基础设施：
- Rollout与策略更新解耦：支持同步策略采样与异步off-policy推理，大幅提升训练吞吐；
- 高性能推理集群部署：rollout服务运行在H20等高性能GPU上，显著提升长序列任务处理效率；
- 统一多任务接口：所有任务通过插件化接入，支持步骤级、轨迹级、智能体级信息传递，降低环境耦合成本。
此外，他们提出了TRPO方法，使得模型在动态环境中实现稳定涨点。
实验证明，该框架在真实GUI环境中带来高达8个点的性能提升，甚至超越32B级别SoTA模型。
编辑
04.多智能体协同：MobileAgent-V3，让AI组队干活
编辑
面对复杂任务，单模型往往力不从心。为此，MobileAgent团队推出全新多智能体框架 MobileAgent-V3，构建四位“Agent”协同作战体系：
🎯 Manager Agent
接收用户指令后，调用外部知识库KRAG，将模糊任务拆解为有序子目标。执行中持续接收反馈，动态调整计划、修正错误、重排优先级。
🛠️ Worker Agent
根据当前界面状态选择最优动作，输出包含推理过程、操作指令与意图说明的完整行动元组，确保每一步“有据可依”。
🔍 Reflector Agent
每步操作后，对比预期与实际界面变化，判断成功或失败，并生成归因分析，如：“未跳转主页，可能因按钮被遮挡”。
📚 Notetaker Agent
仅在任务成功时触发，自动提取验证码、登录凭证、订单号等关键信息，存入长期记忆，避免重复操作。
在真实环境测试中，MobileAgent-V3相较单模型方案，任务成功率提升7~8%，尤其在跨应用、多跳任务中表现突出。
05.未来展望
GUI-Owl与MobileAgent-V3的开源，标志着通用图形界面智能体进入新阶段。它不再是一个“固定流程”的自动化脚本，而是一个具备基础知识、推理能力与协作机制的“多面手AI”。
其技术路径——“GUI知识构建 + 强化学习优化 + 多智能体协同”——为未来智能体发展提供了清晰范式。
未来，这一框架可广泛应用于：
- 自动化测试与运维
- 残障人士辅助操作
- 企业流程自动化（RPA升级）
- 教育、政务等低代码场景
期待开源社区基于GUI-Owl，共同探索更多“让AI替人类点手机、操作电脑”的可能性。
06.直播预告
为了让大家更进一步了解MobileAgent-v3，魔搭社区《AI模型社》栏目邀请到项目核心作者带来技术解读，欢迎预约关注👇
🕦直播时间：
9月10日（星期三）20:00
📄直播主题：
通义Mobile-Agent: 多模态、多端GUI智能体
点击链接， 即可跳转模型链接~
