开放 GUI 智能体平台把 RL 训练扩到 2 万实例，发布 9B 检查点

来自阿里巴巴集团的一个研究团队发布了 MAI-Gym，一个开放平台，旨在弥合「评测 GUI 智能体」与「用强化学习规模化训练它们」之间的鸿沟 —— 这道鸿沟一直让严肃的基于 RL 的智能体训练基本局限在资源充足的大型实验室内。该平台同时跨移动端、电脑和网页环境运行，并包含一个 90 亿参数的模型检查点，作者称其在参数少于 100 亿的开放 GUI 智能体中达到最优表现，在 MobileWorld 基准上成功率 78.4%，在 OSWorld-Verified 上 76.2%。

论文里更有分量的结果可能不是这些基准分数 —— 它们是 2026 年 10 月 14 日提交的预印本中的作者自报数字，尚未被独立复现。而是仿真到真实的迁移测量：完全在一个合成的、模拟版火车票应用内进行的 RL 训练，把智能体在真实手机上的成功率从 28.8% 推到 48.1% —— 在一台从未参与训练的实体 Android 设备上提升了 19 个百分点。这个结果直接回答了一个一直笼罩着 GUI 智能体部署的结构性问题：在受控仿真中获得的性能提升，能否经受真实应用的不一致与多变。

MAI-Gym 要解决的基础设施问题

用强化学习针对真实应用训练 GUI 智能体，在运营上有训练语言模型所没有的难处。真实应用会在更新之间改变布局、需要认证账户、施加速率限制，还会产生副作用 —— 真的下一单、真的发一条消息 —— 而这些难以撤销。对着一个在线银行应用或真实的购票系统跑数万个 RL 训练回合，在规模上并不安全。

标准的变通办法是从精选演示中做离线学习，但离线方法会撞上效果天花板：智能体学会的是模仿录制的行为，而不是对新的界面状态进行推理。在线 RL —— 智能体在环境内运行并根据交互得到的奖励更新权重 —— 在机器人和游戏领域持续优于离线模仿。对 GUI 智能体而言，问题一直是能否在不使用线上生产应用的情况下构建足够真实的训练环境。

MAI-Gym 的答案是一条生成模拟 GUI 应用的合成流水线 —— 具有可控、可重置内部状态的可用界面 —— 外加一个自动任务验证器，以确定性的方式检查完成情况，而不是依赖 LLM 裁判。合成的应用不是截图或静态样稿；它们是智能体可以导航的交互式环境，其状态可以在回合之间重置而不留任何持久副作用。论文还描述了跨应用世界：连贯的多应用任务环境，例如智能体必须从一个应用打开联系人，再到另一个应用里撰写消息，并有横跨两者的正确任务验证。

把整个系统串起来的架构是一条共享的 rollout 流水线 —— 评测运行和 RL 训练运行使用同一个执行环境。这不是顺带的工程。当评测环境与训练环境分叉时，在一个环境中优化的智能体在另一个环境中往往表现不同；把两者合一消除了一个可能误导训练信号的分布偏移来源。此前多数系统对评测和训练使用分开的基础设施，研究者要么接受这道差距，要么花力气让两套代码库保持同步。

为 2 万个并行环境而建的平台

规模是 MAI-Gym 与此前开放项目分野最大的地方。论文报告该系统最多支持 2 万个同时运行的环境实例。一个可直接比较的开放平台 MobileGym，由另一家机构的研究者于 2026 年 5 月发表，描述的是一台服务器承载「数百个」并行移动端实例 —— 这是有用的能力，但与 2 万相差大约两个数量级。

规模差异对 RL 训练尤其重要。对 GUI 智能体效果好的强化学习算法 —— 基于梯度的策略优化方法 —— 在能对大批 rollout 经验取平均时样本效率更高。一个能同时运行数千个智能体收集环境交互的平台，产出可用训练信号的速度远快于只跑几十个的平台。实际效果是，没有专用真机集群或专有仿真栈的研究团队，现在也能尝试此前只有基础设施雄厚的组织才能做的那种 RL 扫参。

该平台支持十个成熟基准作为评测目标，覆盖移动端和电脑使用场景，这意味着在 MAI-Gym 合成环境中训练的研究者无需切换基础设施就能对照标准外部测试集衡量进展。

延伸阅读：新基准显示顶级 AI 模型从零构建智能体系统得分不到 20

MAI-Gym-9B 分数的语境：作者自报结果与独立榜单的差距

MAI-Gym-9B 模型是面向移动端和电脑环境的统一智能体，用该平台的 RL 基础设施训练。作者报告 MobileWorld 78.4%、OSWorld-Verified 76.2%。两个数字都来自预印本，尚未提交到公开榜单或被独立复现。

在 OSWorld-Verified 上，目前参数低于 10B 的最高分开放权重模型是腾讯开发的 UI-Mate-9B，为 66.2%。如果 MAI-Gym-9B 的 76.2% 在独立评测下成立，它将比该规模档当前已发布的开放领先者高出约 10 个百分点。OSWorld-Verified 总榜上最接近的开放模型是腾讯的 UI-Mate-27B（77%）和 H Company 的 Holo3-35B-A3B（82.6%），两者都大得多。

在 MobileWorld 榜单上，截至 2026 年 10 月中旬，阿里最大的开放 GUI 智能体 Qwen3.8 Max 为 77.8%。MAI-Gym-9B 宣称的 78.4% 将以微弱优势领先 —— 对一个参数量比多数顶级竞争者小九倍的模型来说是个醒目的结果。MobileWorld 的榜单覆盖还不广，基准组织者也指出独立评测框架覆盖稀少，所以在评测协议更广泛标准化之前，跨模型比较应谨慎看待。

值得注意的是，MAI-Gym 团队与 MAI-UI 智能体家族的作者高度重叠 —— MAI-UI 的 11 位共同作者中有 8 位出现在 MAI-Gym 的 15 位作者里，资深研究者 Steven C.H. Hoi 在阿里巴巴集团同时领导两个项目。由阿里通义实验室开发、参数从 2B 到 235B 的 GUI 智能体家族 MAI-UI 此前在 AndroidWorld 上取得 76.7%。两个平台是同一个更大研究组织的互补产出，而不是独立的平行努力。

基准纪律：MobileWorld 和 OSWorld-Verified 到底测什么

GUI 智能体基准增长迅速，它们之间的差异对解读任何结果都很重要。

MobileWorld 评估智能体在模拟智能手机环境中执行交互任务。任务是长程的，要求智能体跨多个步骤导航真实应用风格的界面。该基准明确测试的是移动交互工作流而非问答或网页浏览，这使它适合评估旨在自动化手机使用的智能体。该基准相对较新，独立榜单覆盖稀少，意味着公开分数多为模型开发者自报。

OSWorld-Verified 是 OSWorld 基准的精选子集，后者测试智能体在完整桌面电脑环境中执行开放式任务，包括文件管理、网页浏览和应用交互。「Verified」指一个自动验证置信度更高的子集。OSWorld 的独立覆盖更广 —— benchlm.ai 列出了 37 个模型 —— 不过其中 34 条是提供商自报，而非独立运行的评测。总榜由闭源前沿模型主导：阿里的 Qwen3.8 Max 以 86.1% 领先，其后是 85% 的 Claude Fable 5 和 Claude Mythos 5。

两个基准都没有一个在相同条件下运行每个模型的标准化独立框架，这意味着跨模型比较必须接受评测环境和设置可能并未完全匹配。在独立复现发生之前，MAI-Gym-9B 的分数应被解读为作者对自家模型在这些基准上的评估。

仿真到真实的迁移：对部署真正重要的结果

火车票迁移实验是论文中最贴近实际运营的结果。研究者用 MAI-Gym 的 RL 流水线，在一个火车票应用的模拟版本 —— 一个状态可控、任务验证确定性的合成界面 —— 内训练智能体。随后他们在一台运行真实火车票应用的实体 Android 手机上评估训练后的智能体，没有在真机数据上做任何额外微调。

RL 训练之前，智能体在真机火车票任务上的成功率为 28.8%。在模拟环境中训练之后，真机成功率达到 48.1%。这是 19.3 个百分点的提升，而智能体在训练期间从未见过真实设备。

MobileGym，那个竞争性的纯移动端平台，报告了可比的仿真到真实结果：其用 GRPO 训练的智能体在真实设备上评估时保留了 95.1% 的仿真侧训练增益，所用基础模型不同、并行环境数量也更少。两个来自独立团队、方法不同的结果指向同一方向：在构造良好的合成环境中训练 RL GUI 智能体，能带来实质性更好的真机表现，即便智能体在训练中从未见过真实应用。

这一发现对企业部署有实际含义。考虑用 GUI 智能体做任务自动化 —— 客服工作流、数据录入流水线、多步采购流程 —— 的组织一直面临训练数据问题：真实环境的 RL 在运营上有风险，演示数据又只能走到一定程度。一套经过验证的仿真到真实方法，打开了先对着内部工具的可控模拟版训练智能体、再部署到生产系统的可能性。

延伸阅读：英伟达与 KAIST 把机器人基础模型每任务 RL 训练时间最多砍去 68.5%

局限，以及这些数字尚未证实的事

在某一特定任务类型上 48.1% 的真机成功率不是生产级的可靠性。对于执行不完整或错误会造成实质伤害的工作流 —— 金融交易、账户修改、代表用户发出的通信 —— 一个大约一半时间失败的系统需要大量人工监督或兜底基础设施。MAI-Gym 论文为仿真到真实的迁移建立了概念验证，但没有刻画性能如何跨不同应用类型、任务复杂度和界面变化泛化。

这些基准分数来自 10 月 14 日提交的预印本，尚未提交到公开榜单，也未经独立方评估。自评预印本的分数在历史上有时会在其他团队的受控复现下发生变化。在 MAI-Gym-9B 出现在 benchlm.ai 或同类榜单、并在一致的评测协议下得到结果之前，其在开放 10B 以下类别中宣称的排名应被视为估计而非既定事实。

发布的模型检查点采用 CC BY-NC-SA 4.0 许可证，限制商业使用。想基于 MAI-Gym-9B 权重构建商业部署 GUI 智能体的组织需要另行获得许可安排。与来自中国研究机构的任何开放权重模型一样，评估将 MAI-Gym 用于敏感企业场景的研究者应就数据处理和司法辖区问题采取标准的尽职调查做法。

论文列出了来自阿里巴巴集团的 15 位共同作者，现任阿里巴巴副总裁的 Steven C.H. Hoi 担任通讯作者。发稿时 arXiv 摘要页面上没有各作者完整的机构内部归属信息。

一个从演示走向实时交互的领域

GUI 智能体研究走过的轨迹与深度学习的大弧线相似：早期系统主要在精选的人类演示上训练，这给性能设了一道与录制数据质量和覆盖面绑定的天花板。转向在线 RL —— 让智能体从直接的环境交互中学习 —— 多年来一直是显而易见的下一步，但受制于缺乏安全、可扩展的训练环境。

2024 年发表的 AndroidWorld 为移动智能体引入了标准化任务集，但没有包含训练基础设施。OSWorld 增加了电脑使用评测基准。两者都没有直接处理 RL 训练环境问题。MAI-Gym 的贡献与其说是增加一个新基准，不如说是搭建了让 RL 训练在足以与微调的闭源前沿模型竞争的规模上发生的脚手架 —— 或者，在开放的 10B 以下类别中，可能领先它们。

开放发布：框架、任务与模型检查点

MAI-Gym 的开放发布包括平台框架、模拟应用合成工具、2000 个经执行验证的任务，以及 MAI-Gym-9B 模型检查点。这个组合比任何单一组件都重要。一个基准加一个模型是一次点状比较。一个训练平台加一条合成流水线加一套经验证的任务集，是其他研究者可以扩展的基础设施。

此前没有公开可用的大规模 GUI 智能体 RL 训练平台，意味着多数基于 RL 的 GUI 智能体研究要么在小规模（几十到几百个环境）上进行，要么使用更广泛社区无法获得的专有内部基础设施，要么干脆回避在线 RL 而采用离线方法。MAI-Gym 为有算力运行其环境的研究者改变了这一约束，不过 2 万个并行实例仍是不小的硬件要求。

近期最重要的考验，是独立团队能否用发布的基础设施复现 MAI-Gym-9B 的基准分数，以及模拟应用合成流水线是否足够通用、能扩展到论文所展示的火车票用例之外的应用领域。如果仿真到真实的结果能在更广的应用类型上复现，MAI-Gym 描述的方法就代表着一条实用路径：训练生产级 GUI 智能体，而不需要在训练期间直接访问线上生产系统。