Исследователи из Nanjing University, SenseTime и партнерских академических институтов столкнулись с главным узким местом рынка автономных агентов: данные, необходимые для обучения моделей управлению программными интерфейсами, остаются запертыми внутри стен технологических гигантов. Этот структурный дисбаланс исторически оставлял модели с открытым исходным кодом далеко позади коммерческих альтернатив. Вместо закупки петабайтов сырых логов исследовательская группа предпочла спроектировать специализированный полигон для симуляций.
Эмпирические данные выявляют прямую корреляцию между производительностью агента и архитектурным разнообразием тренировочных сред, а не чистым объемом наборов данных. При сохранении общего объема тренировочных данных неизменным, увеличение числа приложений в цикле обучения повысило процент успешного выполнения новых задач с 60,7 до 67,5 процента. В условиях жестких ограничений вычислительного бюджета такой подход коренным образом меняет экономику разработки: вместо бездумного масштабирования параметров модели команды могут инвестировать непосредственно в детализацию и разнообразие симуляций.
Синтетические данные и реальные метрики производительности
Для наполнения среды команда воссоздала 35 востребованных приложений на китайском рынке — включая Taobao, JD, DiDi и Meituan — наряду с глобальными утилитами вроде Slack и Google Drive. Каждая симуляция автоматически возвращается в исходное состояние, в то время как агент взаимодействует с интерфейсом исключительно через скриншоты, имитируя реальное поведение пользователя без прямого доступа к бэкенд-базам данных.
Разнообразие среды превосходит объем сырых данных: при неизменном масштабе данных увеличение количества приложений в тренировочном цикле повысило успешность выполнения новых задач с 60,7 до 67,5 процента.
В тестах AndroidWorld более крупная модель продемонстрировала скачок производительности с 67,1 до 79,9 балла, в то время как ее меньший аналог вырос с 54,3 до 74 баллов. Для сравнения, предыдущая итерация OpenMobile-1 набирала максимум 64,7 балла на том же бенчмарке. На более строгом бенчмарке MobileWorld, который требует выполнения затяжных сценариев с переключением между несколькими приложениями, более крупная модель подняла свой результат с 35,9 до 50,4 балла.
Независимость от инфраструктуры и физическое железо
Самый показательный результат проявился на физическом железе: при работе на реальных устройствах под управлением Android старшая модель зафиксировала 59,6 балла на SPA-Bench, установив планку для решений с открытым исходным кодом. Интересно, что применение классического обучения с подкреплением поверх базового запуска дало минимальный прирост: результат старшей модели в AndroidWorld даже немного снизился с 80,8 до 79,9 балла. Это подтверждает, что одна лишь грубая вычислительная мощность не способна заменить продуманное проектирование среды.
Теперь рынок располагает рабочей схемой создания автономных систем без уплаты налога за каждый инференс проприетарным API. Смещение фокуса с бездумного накопления данных на кропотливое проектирование среды перестраивает экономику разработки ИИ-агентов, доказывая, что открытые решения способны бросать вызов закрытым экосистемам без необходимости выделения многомиллиардных инфраструктурных бюджетов.