南京大学与商汤开源OpenMobile-2手机智能体，重建110多个应用训练环境
研究团队基于Qwen3.5和Qwen3.6发布90亿与270亿参数两个智能体模型，并公开训练环境、数据和复现说明；作者称其在真实安卓设备测试中取得开源模型最高分。
AI解读：训练环境重建了35款主要在中国流行的应用（含淘宝、京东、滴滴、美团）以及Slack、Google Drive等全球服务，连同已有模拟环境和安卓模拟器中的应用，合计覆盖110多个应用。
在AndroidWorld上，大模型从67.1分升至79.9分，小模型从54.3分升至74分；在跨多应用的MobileWorld上，大模型从35.9分升至50.4分。
作者称在真实安卓设备的SPA-Bench上，大模型从31.9分升至59.6分，为开源模型最高分，仅次于Gemini 3.1 Pro。
研究显示，在数据量不变时，增加训练应用数量把未见应用上的成功率从60.7%提升到67.5%；在训练后再做强化学习带来的提升有限，AndroidWorld上大模型分数从80.8略降至79.9。
模拟应用中有50多个提供“加入购物车”等直接命令供智能体调用。未针对性训练时模型倾向忽略这些接口，训练后可多完成最多10.3个百分点的任务、减少约五步操作，但该接口目前仅存在于模拟应用，研究者称其属于实验性尝试。
南京大学、商汤及其他高校的研究者发布OpenMobile-2，开源两个智能手机操作智能体模型：基于Qwen3.5的90亿参数版本和基于Qwen3.6的270亿参数版本，并公开完整训练环境、数据和复现说明。作者称该模型在现有手机智能体中排名靠前。
训练环境：重建35款应用，覆盖110多个应用
研究团队称，直接在真实应用中训练智能体成本高且难以重复：登录、真实购买和无法重置状态都是障碍。因此他们重建了35款主要在中国流行的应用，包括淘宝、京东、滴滴和美团，也包含Slack、Google Drive等全球服务；加上已有模拟环境和运行在安卓模拟器中的应用，训练场地覆盖110多个应用。
人工审核者将重建应用与原始版本对比并反复修改，直到工作流和界面一致。订单、预算和行程计划可跨会话保留，数据能通过剪贴板在应用间传递。每个模拟环境自动重置到初始状态，智能体只能看到截图，无法访问应用内部数据。团队由此生成约11600个示例工作流和2000多个带自动成功校验的练习任务，示例由Google的Gemini 3.1 Pro作为教师模型生成。
评测结果：真实设备提升最大，强化学习增益有限
在AndroidWorld上，大模型从67.1分升至79.9分，小模型从54.3分升至74分；前代OpenMobile-1在同一测试中为64.7分。在覆盖跨应用长任务的MobileWorld上，大模型从35.9分升至50.4分。作者称，大模型在真实安卓设备的SPA-Bench上从31.9分升至59.6分，为开源模型最高分，仅次于Gemini 3.1 Pro。
研究团队还做了控制数据量的对比：仅增加训练应用数量，未见应用上的成功率从60.7%升至67.5%。在训练后追加强化学习带来的提升有限，主要出现在与训练设置相似的环境中；AndroidWorld上大模型分数从80.8略降至79.9。
直接命令接口：实验性功能，尚未进入真实应用
研究的一部分尝试让智能体绕过菜单点击：50多个模拟应用提供“加入购物车”之类的直接命令，智能体可在普通屏幕操作和直接命令之间切换。研究者称，未针对性训练时模型倾向忽略这些快捷方式；训练后，智能体可多完成最多10.3个百分点的任务，并减少约五步操作，这种能力也能迁移到训练中未遇到的工具。
这些接口目前只存在于模拟应用中，研究者自己将其称为实验性方法。部分结果来自团队自建的215项任务基准，其中近半跨多个应用；任务是否完成由程序比对应用前后存储的数据判定，而非由语言模型评分。作者还检查了训练与测试任务的重叠，称仅存在轻微相似。