研究人员发布了 Mobile-Agent-v3，这是一个基于基础 GUI-Owl 模型的通用 GUI 智能体框架，在十个 GUI 基准测试中实现了开源端到端模型的最先进性能。该系统将 GUI-Owl-7B 与自进化轨迹生成框架和可扩展的强化学习相结合，以提升自动化能力。

  • GUI-Owl-7B 在 AndroidWorld 上达到 66.4，在 OSWorld 上达到 29.4，而 Mobile-Agent-v3 将这些分数分别提升至 73.3 和 37.7。
  • 该框架利用覆盖 Android、Ubuntu、macOS 和 Windows 的云端虚拟环境，通过自动查询生成和正确性验证来生成高质量的交互数据。
  • GUI-Owl 整合了 UI 定位、规划、动作语义和推理模式，以作为多智能体系统中的模块化组件支持端到端决策。
  • 团队开发了用于在线强化学习的 Trajectory-aware Relative Policy Optimization (TRPO)，在完全异步训练下于 OSWorld 上达到 34.9。

开源模型提供了一个自我改进的循环，减少了人工标注需求，并实现了 GUI 自动化任务的现实世界对齐。