本月行业协会转达最新研究效果燃油周全重回7元时代 很兴奋为您解答这个问题，，让我来帮您详细说明一下。。品牌授权报修电话，，快速上门服务

固原市西吉县许昌市建安区云南省丽江市宁蒗彝族自治县向阳区小关街道湖北省恩施土家族苗族自治州恩施市山东省烟台市龙口市内蒙古鄂尔多斯市鄂托克旗广东省惠州市龙门县喀什地区麦盖提县青海省玉树藏族自治州治多县新乐市协神乡鹿泉区寺家庄镇河西区桃园街道山西省朔州市山阴县博尔塔拉蒙古自治州温泉县大兴区丰台区宛平城地区江苏省连云港市赣榆区濮阳市南乐县桥西区留营街道江西省宜春市宜丰县向阳区双井街道辽宁省沈阳市浑南区贵州省黔东南苗族侗族自治州天柱县延庆区康庄镇陕西省宝鸡市千阳县山东省泰安市东平县西藏山南市甘肃省白银市景泰县蓟州区东二营镇山东省威海市密云区高岭镇山西省运都会夏县云南省文山壮族苗族自治州广南县丰台区长辛店镇江苏省南京市浦口区辽宁省本溪市溪湖区四川省德阳市广汉市乌鲁木齐市沙依巴克区西藏阿里地区日土县贵州省六盘水市水城县山西省晋都会泽州县江苏省南通市启东市云南省怒江傈僳族自治州福贡县向阳区豆各庄地区四川省甘孜藏族自治州九龙县四川省成都会金牛区怀柔区宝山镇山东省威海市福建省南平市黑龙江省鹤岗市湖北省宜昌市西陵区喀什地区叶城县山东省滨州市江苏省苏州市相城区青海省玉树藏族自治州治多县广东省汕头市南澳县平山县小觉镇江西省鹰潭市余江区四川省宜宾市翠屏区吉林省四平市铁西区湖北省恩施土家族苗族自治州建始县内蒙古鄂尔多斯市康巴什区昌平区小汤山镇怀柔区宝山镇钦州市青海省海北藏族自治州门源回族自治县昌平区回龙观街道固原市西吉县行唐县龙州镇广东省惠州市龙门县广东省汕头市南澳县伊犁哈萨克自治州昭苏县延庆区沈家营镇四川省成都会双流区西城区天桥街道陕西省汉中市西乡县山东省泰安市东平县甘肃省甘南藏族自治州行唐县龙州镇甘肃省陇南市博尔塔拉蒙古自治州温泉县蓟州区东赵各庄镇蓟州区东二营镇北辰区陕西省宝鸡市千阳县平山县宅北乡福建省福州市罗源县丰台区宛平城地区山西省晋中市榆社县辽宁省锦州市义县重庆市市辖区北碚区赵县沙河店镇江苏省南京市浦口区湖北省恩施土家族苗族自治州建始县辽宁省铁岭市清河区武清区上马台镇湖北省孝感市汉川市静海区西翟庄镇四川省遂宁市蓬溪县

今日国家机构披露行业新效果不必人工标注，，GUI Agent跑数据飞轮：快手、浙大开源MobileForge，，很兴奋为您解答这个问题，，让我来帮您详细说明一下:官方服务专线，，支持多品牌报修

山西省阳泉市平定县新乐市协神乡山东省淄博市临淄区濮阳市南乐县辽宁省沈阳市四川省甘孜藏族自治州宝坻区牛家牌镇辽宁省沈阳市沈河区濮阳市南乐县内蒙古鄂尔多斯市鄂托克旗福建省莆田市仙游县蓟州区官庄镇银川市贺兰县云南省普洱市景东彝族自治县河西区桃园街道福建省莆田市城厢区静海区大邱庄镇福建省漳州市龙海市湖北省宜昌市秭归县四川省宜宾市翠屏区云南省大理白族自治州云龙县湖北省襄阳市襄州区贵州省黔东南苗族侗族自治州天柱县福建省漳州市龙海市防城港市东兴市密云区高岭镇云南省红河哈尼族彝族自治州绿春县四川省德阳市广汉市山东省枣庄市台儿庄区江西省景德镇市昌江区平顶山市湛河区崇左市宁明县江苏省徐州市新沂市湖北省宜昌市夷陵区湖北省宜昌市西陵区福建省厦门市海沧区蓟州区官庄镇西藏阿里地区日土县密云区不老屯镇甘肃省白银市景泰县西藏拉萨市达孜区云南省大理白族自治州云龙县丰台区和义街道静海区西翟庄镇桥西区东华街道吉林省四平市铁西区四川省凉山彝族自治州昭觉县湖北省襄阳市襄州区四川省成都会金牛区崇左市宁明县西城区月坛街道山东省威海市四川省泸州市江阳区百色市田林县江苏省徐州市丰县海南省儋州市元氏县山西省临汾市安泽县江苏省连云港市赣榆区陕西省汉中市南郑区芜湖市南陵县宝坻区牛家牌镇焦作市中站区内蒙古锡林郭勒盟镶黄旗福建省福州市永泰县河西区桃园街道山西省晋都会高平市广东省广州市越秀区青海省海南藏族自治州贵德县静海区大邱庄镇元氏县殷村镇山西省晋都会泽州县向阳区小红门地区四川省成都会金牛区四川省成都会金牛区江西省吉安市吉安县云南省怒江傈僳族自治州福贡县云南省玉溪市新平彝族傣族自治县怀柔区龙山街道无极县大陈镇山西省晋中市榆社县塔城地区和布克赛尔蒙古自治县贵州省铜仁市印江土家族苗族自治县福建省厦门市湖里区内蒙古鄂尔多斯市鄂托克旗湖北省孝感市汉川市山东省威海市向阳区管庄地区甘肃省庆阳市镇原县青海省海北藏族自治州门源回族自治县丰台区右安门街道昌平区延寿镇辽宁省铁岭市清河区湖北省恩施土家族苗族自治州恩施市四川省凉山彝族自治州昭觉县四川省凉山彝族自治州甘洛县山西省吕梁市岚县丰台区宛平城地区喀什地区麦盖提县云南省红河哈尼族彝族自治州泸西县

全球服务区域:山东省淄博市临淄区淮南市大通区湖北省恩施土家族苗族自治州建始县辽宁省沈阳市沈河区陕西省汉中市南郑区四川省广元市福建省福州市永泰县阿克苏地区新和县长安区南村镇行唐县龙州镇丰台区右安门街道长安区广安街道四川省泸州市江阳区四川省甘孜藏族自治州泸定县江西省宜春市奉新县江西省鹰潭市余江区向阳区管庄地区百色市靖西市延庆区沈家营镇山东省聊都会冠县合肥市庐阳区山东省泰安市泰山区湖北省孝感市汉川市湖北省宜昌市秭归县山东省泰安市泰山区怀柔区宝山镇桥西区东华街道江苏省苏州市相城区山西省晋都会高平市四川省甘孜藏族自治州丹巴县山西省朔州市山阴县江苏省徐州市甘肃省陇南市武都区四川省凉山彝族自治州昭觉县山东省滨州市云南省红河哈尼族彝族自治州泸西县合肥市瑶海区云南省红河哈尼族彝族自治州泸西县山西省吕梁市岚县长安区南村镇江苏省镇江市句容市福建省南平市福建省厦门市湖里区怀柔区宝山镇延庆区康庄镇江西省宜春市奉新县江苏省镇江市句容市丰台区右安门街道行唐县龙州镇桥西区苑东街道重庆市市辖区北碚区密云区高岭镇江西省萍乡市上栗县山西省阳泉市平定县武清区上马台镇江西省鹰潭市余江区江西省景德镇市昌江区新乐市协神乡广东省云浮市新兴县广东省深圳市辽宁省沈阳市海南省儋州市门头沟区大峪街道山西省朔州市山阴县重庆市县巫山县山东省淄博市临淄区黑龙江省大兴安岭地区呼玛县蚌埠市蚌山区江西省赣州市石城县桂林市秀峰区昌平区回龙观街道向阳区酒仙桥街道青海省果洛藏族自治州山西省晋中市灵石县贵州省铜仁市印江土家族苗族自治县门头沟区大峪街道内蒙古鄂尔多斯市康巴什区山西省晋都会高平市亳州市利辛县广东省云浮市新兴县贵州省铜仁市印江土家族苗族自治县长安区广安街道江西省景德镇市昌江区怀柔区雁栖地区合肥市庐阳区青海省海北藏族自治州门源回族自治县向阳区豆各庄地区贵州省六盘水市水城县鹿泉区寺家庄镇黑龙江省鸡西市鸡冠区焦作市沁阳市清静区南市街道信阳市平桥区辽宁省沈阳市浑南区四川省广安市岳池县青海省海西蒙古族藏族自治州德令哈市马鞍山市博望区门头沟区大峪街道黑龙江省七台河市桃山区湖北省宜昌市夷陵区

本周行业报告披露政策新动向不必人工标注，，GUI Agent跑数据飞轮：快手、浙大开源MobileForge，，很兴奋为您解答这个问题，，让我来帮您详细说明一下:售后服务维修中心电话，，支持多渠道服务

天下服务区域：山东省泰安市东平县甘肃省陇南市内蒙古锡林郭勒盟镶黄旗山西省吕梁市岚县喀什地区麦盖提县四川省遂宁市蓬溪县阿克苏地区新和县哈密市伊吾县四川省甘孜藏族自治州泸定县防城港市东兴市四川省遂宁市蓬溪县密云区河南寨镇四川省广元市辽宁省沈阳市青海省玉树藏族自治州治多县四川省成都会金牛区赞皇县西龙门乡巴音郭楞蒙古自治州和硕县焦作市甘肃省陇南市伊犁哈萨克自治州昭苏县广东省广州市越秀区山西省晋都会高平市四川省成都会金牛区静海区西翟庄镇防城港市东兴市乌鲁木齐市沙依巴克区蓟州区官庄镇甘肃省天水市秦州区湖北省孝感市汉川市四川省成都会双流区赞皇县西龙门乡伊犁哈萨克自治州昭苏县鹿泉区白鹿泉乡湖北省孝感市汉川市河东区东新街道桥西区苑东街道陕西省宝鸡市眉县甘肃省甘南藏族自治州和田地区四川省凉山彝族自治州甘洛县喀什地区叶城县向阳区小红门地区云南省怒江傈僳族自治州福贡县鹿泉区寺家庄镇甘肃省天水市秦州区青海省海西蒙古族藏族自治州德令哈市山西省晋中市灵石县甘肃省白银市景泰县四川省宜宾市翠屏区四川省凉山彝族自治州昭觉县辽宁省辽阳市白塔区延庆区康庄镇山东省淄博市临淄区山西省吕梁市岚县怀柔区龙山街道新乐市协神乡贵州省六盘水市水城县四川省成都会新都区山西省临汾市安泽县云南省怒江傈僳族自治州福贡县广东省深圳市山东省淄博市临淄区南阳市内乡县辽宁省本溪市溪湖区山东省泰安市泰山区甘肃省兰州市江西省吉安市吉安县向阳区豆各庄地区青海省玉树藏族自治州治多县贵州省六盘水市水城县重庆市县巫山县甘肃省陇南市甘肃省甘南藏族自治州山西省晋中市灵石县延庆区沈家营镇青海省玉树藏族自治州治多县蓟州区东施古镇四川省宜宾市江安县四川省甘孜藏族自治州向阳区豆各庄地区平顶山市湛河区广东省佛山市三水区山东省东营市垦利区辽宁省本溪市溪湖区喀什地区叶城县内蒙古锡林郭勒盟正镶白旗四川省泸州市江阳区甘肃省庆阳市镇原县巴音郭楞蒙古自治州和硕县延庆区康庄镇辽宁省大连市旅顺口区山西省阳泉市平定县马鞍山市博望区山东省泰安市泰山区亳州市利辛县银川市贺兰县湖北省宜昌市夷陵区山西省吕梁市中阳县元氏县殷村镇

售后服务上门服务电话，，智能分配票据：不必人工标注，，GUI Agent跑数据飞轮：快手、浙大开源MobileForge

大模子驱动的手机 GUI Agent 已经能够明确屏幕、点击按钮、输入文本并完成一系列移动端使命。。但一旦进入真实应用场景，，一个焦点问题就会袒露出来：手机 App 数目重大、更新频仍，，功效和界面转变很快。。若是每适配一个 App 都要人工编写使命、录制专家轨迹、标注奖励信号，，那么本钱会迅速失控。。

来自浙江大学 APRIL 实验室、快手主站手艺部和清华大学的研究团队提出了MobileForge，，试图把手机 GUI Agent 的适配历程酿成一个 “无标注、自探索、自反馈、自优化” 的闭环系统。。

论文题为 MobileForge: Annotation-Free Adaptation for Mobile GUI Agents with Hierarchical Feedback-Guided Policy Optimization。。它的焦点思绪可以概括为一句话：让 Agent 在真实目的 App 中探索功效、自动天生可执行使命、对自己的执行历程举行分层评估，，再把这些反馈转化为可训练的战略优化信号。。

在实验中，，仅使用自动天生的无标注适配数据，，MobileForge 将通用视觉语言模子Qwen3-VL-8B在 AndroidWorld 上的 Pass@3 提升至67.2%，，靠近闭源数据训练的 GUI 专用基础模子 GUI-Owl-1.5-8B 的69.0%。。进一步地，，基于 GUI-Owl-1.5-8B 适配获得的ForgeOwl-8B在 AndroidWorld 上抵达77.6% Pass@3，，并在未加入训练的 MobileWorld GUI-only 使命上取得41.0%乐成率。。

论文 Figure 1：AndroidWorld scaling 趋势、域内适配效果和 MobileWorld 跨域泛化效果

论文的配合第一作者为浙江大学 APRIL 实验室的博士生刘广义、硕士生赵鹏翔、硕士生吴高和清华大学博士生殷翊文，，通讯作者为浙江大学刘勇教授。。MobileForge全链路开源，，代码、数据、模子、训练 / 评测 pipeline 都已开放。。

论文：https://arxiv.org/abs/2606.19930项目主页：https://mobile-forge.github.io/Github：https://github.com/kwai/MobileForgeHuggingface Daily Paper：https://huggingface.co/papers/2606.19930MobileForge 全链路数据：https://huggingface.co/collections/lgy0404/mobileforge-datasetsMobileForge 全链路模子：https://huggingface.co/collections/lgy0404/mobileforge-models

手机 GUI Agent 的瓶颈：不是不会点，，而是不会顺应

已往一年，，GUI Agent 研究希望很快。。从网页、桌面到手机，，越来越多模子可以凭证截图和使命形貌执行点击、滑动、输入、返回、翻开应用等操作。。但移动端有其特殊难题。。

首先，，移动 App 生态极其碎片化。。差别 App 的页面结构、功效入口、交互逻辑差别很大；；；即即是统一个 App，，版本更新后也可能改变按钮位置、菜单层级和使命流程。。

其次，，移动端使命往往是长链路的。。一个使命可能需要翻开应用、进入某个页面、搜索、筛选、选择条目、确认操作，，甚至跨多个 App 转达信息。。只给最终乐成 / 失败的希罕奖励，，很难判断究竟是哪一步出了问题。。

第三，，已有 “无标注” GUI 学习要领虽然镌汰了人工数据依赖，，但通常仍保存两个断点：探索、使命天生、执行和反馈没有形成统一底座；；；战略优化时，，模子往往只把一次 rollout 当成伶仃样本，，依赖粗粒度奖励，，难以从失败轨迹中的准确局部行动中学习。。

论文 Figure 2：已有要领的两个瓶颈以及 MobileForge 的解决思绪

MobileForge 正是围绕这两个问题设计的。。

研究团队提出的问题是：能否构建一个不依赖人工使命、专家树模或奖励标签的手机 GUI Agent 适配系统，，让使命天生来自目的 App 真实交互，，让反馈足够细粒度，，并把 Agent 自己收罗到的履历转化为可优化的战略信号？？

MobileForge = MobileGym + HiFPO

MobileForge 由两个耦合组件组成：

一是MobileGym，，MobileGym 是交互与评估底座。。它在目的 App 中探索可达状态，，基于真实交互轨迹挖掘可执行使命，，并对 Agent 的完整执行历程举行细粒度分层评估。。

二是HiFPO，，全称为 Hierarchical Feedback-Guided Policy Optimization，，即层级反馈指导的战略优化。。它认真调理多次实验、复用前一次失败获得的纠错提醒、筛选有价值使命和方法，，并最终用 hint-contextualized step-level GRPO 更新模子。。

Figure 3：MobileForge 总体流程

可以把 MobileForge 看成一条从 “真实 App 交互” 到 “战略更新” 的自动流水线：

目的 App 探索 → 使命课程天生 → 多次 rollout → 分层评估 → 使命 / 轨迹 / 方法过滤 → 带纠错提醒的 GRPO 训练。。

这条链路中没有人工编写使命，，也没有专家演示某人工奖励标签。。

MobileGym：先在真实 App 中找到 “能学什么”

MobileGym 解决的是数据泉源问题：没有人工使命和树模，，Agent 究竟应该学什么？？

它包括三个要害阶段。。

第一是目的 App 探索。。MobileForge 会直接进入目的 App，，连系 APK 中声明的 activity 等结构信息和目今截图，，天生面向功效的探索目的。。探索历程接纳类似深度优先遍历的方式，，当需要从某个父状态分支到新目的时，，系统会恢复父状态并继续探索。。

这里的探索轨迹并不被看成专家树模。。它的作用是发明真实 App 中可达的页面、可操作的控件和现实保存的功效，，阻止模子凭空理想某个 App 应该支持什么。。

每个被探索到的状态转移都会纪录操作前后截图、执行行动、目的元素、执行元数据和自然语言摘要。。这些纪录组成证据池，，用于后续使命天生。。

第二是MobileGym-Curriculum。。它会把探索证据转化为可执行使命。。对每条探索轨迹，，系统首先判断这段行为是否连贯、原本目的是否完成，，然后围绕统一 App 功效天生多个使命变体。。

论文中将一个天生使命体现为五元组：使命指令、预估步数预算、焦点功效、转变类型和前置条件。。这个 schema 很轻量，，重点不在形式重大，，而在于每个使命都必需锚定到真实视察到的 App 行为。。

第三是MobileGym-Critic。。它不是训练一个奖励模子，，而是用 agentic hierarchical evaluator 对完整 rollout 举行分层评估。。给定一次使命执行，，Critic 会输出三类反。。汗旒＜ outcome label、方法级 process label，，以及纠错 hint。。

轨迹级标签回覆 “使命最终是否完成”；；；方法级标签回覆 “每一步是否合理，，为什么合理或不对理”；；；纠错提醒则总结失败原因、要阻止的行为、建议的替换战略和要害使命洞察。。

Figure 4：移动端 GUI Agent 无标注适配基座 MobileGym

这套分层反馈很是要害。。古板做法往往把一次 rollout 简化成乐成或失败，，但在长链路手机使命中，，失败轨迹也可能包括准确的局部方法，，乐成轨迹中也可能有冗余甚至无意行动。。MobileGym-Critic 的作用，，就是把这些信息拆开。。

HiFPO：把 “失败履历” 酿成训练信号

若是说 MobileGym 认真爆发使命和反馈，，那么 HiFPO 认真把反馈酿成战略更新。。

论文 Figure 5：HiFPO 流程图

它的第一步是带提醒的多次实验。。关于每个使命，，HiFPO 会让目今战略一连实验 K 次。。第一次实验没有特殊提醒；；；若是失败或泛起不对理方法，，MobileGym-Critic 会天生纠错 hint。。第二次实验时，，这些 hint 会被追加到使命指令中，，资助模子阻止重复犯错。。

换句话说，，Agent 不是简朴地多采样一再，，而是在统一个使命上积累履历。。前一次失败会酿成下一次实验的上下文。。

论文 Figure 6：纠错提醒改善 rollout 的案例

第二步是使命过滤。。HiFPO 会盘算统一使命多次实验的履历乐成率 SR (x)。。若是一个使命所有实验都乐成，，说明目今战略已经掌握，，训练价值不大，，因此被移除。。相反，，全失败使命和部分乐成使命都会保存。。

这和许多直觉差别。。MobileForge 并不会简朴扬弃失败使命，，由于失败轨迹中可能包括准确的翻开 App、导航、搜索或识别方法。。只要方法级反馈能够把合理行动挑出来，，失败也能转化成有用学习质料。。

第三步是轨迹与方法选择。。关于保存下来的使命，，若是保存乐成轨迹，，系统会选择方法质量最高的乐成轨迹；；；若是所有失败，，则选择局部合理方法比例最高的失败轨迹。。随后，，训练集只保存被 Critic 判断为合理的局部方法。。

这样，，长链路轨迹被拆成了麋集的 step-level 训练样本，，同时阻止把失败轨迹中的过失行动也强化进去。。

第四步是hint-contextualized step-level GRPO。。这里 HiFPO 并没有发明一个全新的优化器，，而是刷新了 GRPO 的使用状态。。每个 step-level 样本都包括使命、截图、交互历史，，以及其时可用的纠错提醒。。模子在统一个带 hint 的状态下采样多个候选行动，，再用规则化 GUI action reward 举行组内较量。。

实验设置：AndroidWorld 域内适配，，MobileWorld 跨域测试

实验包括两个基准。。

AndroidWorld 是域内设置。。MobileForge 在 AndroidWorld App 生态中探索、天生使命、网络 rollout 并训练，，最终在 116 个 AndroidWorld 使命上评测 Pass@1、Pass@2 和 Pass@3。。

MobileWorld GUI-only 是域外设置。。论文在其 117 使命划分上举行测试，，但训练历程中不使用任何 MobileWorld rollout、使命或反馈。。

基础模子包括两个 8B 规模 instruct agent：通用模子 Qwen3-VL-8B 和 GUI 专用模子 GUI-Owl-1.5-8B。。

MobileForge 一共天生了 3249 个 AndroidWorld 侧候选使命，，这些使命来自 20 个 App、527 个源轨迹标识。。为了研究扩展效果，，论文划分使用 200、400 和 900 个使命子集训练。。

效果一：通用 8B 模子靠近闭源数据 GUI 专用基座

论文 Table 1：AndroidWorld 域内适配与 scaling 效果

在 AndroidWorld 上，，Qwen3-VL-8B 基线的 Pass@3 为 55.2%。。经由 900 个自动天生使命适配后，，ForgeQwen3-8B 的 Pass@3 提升到 67.2%，，Pass@1 从 40.5% 提升到 50.9%，，Pass@2 从 49.1% 提升到 60.3%。。

这使得一个通用 VLM 在 AndroidWorld 上靠近 GUI-Owl-1.5-8B 基座的 69.0% Pass@3。。浚思量到 MobileForge 不使用人工使命、专家演示某人工奖励标签，，这个效果说明真实 App 交互中的无标注反馈确实可以转化为有用能力提升。。

更强的 GUI 专用模子也能继续受益。。GUI-Owl-1.5-8B 基线在 AndroidWorld 上的 Pass@3 为 69.0%；；；经由 MobileForge 适配后，，ForgeOwl-8B 抵达 77.6% Pass@3，，Pass@1 也从 56.0% 提升到 67.2%。。

从使命难度看，，MobileForge 对 easy 和 medium 使命提升稳固；；；在 GUI-Owl-1.5-8B 上，，hard 使命单次乐成率也从 19.3% 提升到 29.8%。。

效果二：只用 AndroidWorld 适配，，也能迁徙到 MobileWorld

论文 Table 2：MobileWorld GUI-only 跨域泛化效果

跨域测试更能说明适配是否只是 “记着了训练 App”。。论文在 MobileWorld GUI-only 上评估时，，没有使用任何 MobileWorld 使命、轨；；；蚍蠢【傩醒盗。。

效果显示，，ForgeOwl-8B 在 MobileWorld GUI-only 117 使命划分上抵达 41.0% 乐成率，，高于 GUI-Owl-1.5-8B 基线的 37.6%，，也凌驾论文较量规模内的多个 open-data mobile GUI agent。。ForgeQwen3-8B 从 Qwen3-VL-8B 的 7.6% 提升到 10.3%，，提升幅度较小，，但仍有正向迁徙。。

这也展现了一个现实问题：跨域泛化不但依赖适配算法，，也强烈依赖基础模子自己的手机 GUI 能力。。MobileForge 可以让已有能力进一步组织和强化，，但若是基座对移动 UI 的明确较弱，，迁徙收益也会受限。。

消融实验：MobileForge 的数据飞轮究竟靠什么转起来？？

论文做了多组消融，，划分验证纠错提醒、训练目的、使命过滤、评价器选择和课程天生方式的作用。。

首先是纠错提醒。。使用 Qwen3-VL-8B 在 200 个天生使命上做 rollout，，若是不加入前一次失败的 hint，，多次实验总乐成率为 52.0%；；；加入纠错提醒后，，总乐成率提升到 77.0%。。Pass@3 也从 49.0% 提升到 72.5%，，平均每次实验步数从 18.4 降到 17.2。。

论文 Table 3：纠错提醒 rollout 消融

这说明，，多次实验之以是有用，，并不是由于模子随机采样更多，，而是由于反馈在统一使命的多次实验之间累积起来，，形成了可复用履历。。

其次是训练目的。。论文较量了 no-hint SFT、hint SFT 和 hint-contextualized GRPO。。效果显示，，no-hint SFT 效果较弱，，甚至可能低于基线；；；加入 hint 后 SFT 有提升，，但带 hint 上下文的 GRPO 在 200 和 900 使命设置下都最好。。900 使命时，，hint-contextualized GRPO 抵达 50.9% AndroidWorld Pass@1。。

论文 Table 4：训练目的消融

第三是使命过滤。。论文发明，，最佳战略并不是去掉失败使命，，而是去掉目今模子已经所有乐成的 mastered tasks，，保存全失败和部分乐成使命，，再用方法级反馈从中恢复合理局部行动。。对应的乐成率规模是 [0.0, 0.9]。。

论文 Table 5：使命级乐成率过滤消融

第四是评价器模子。。MobileGym-Critic 中 final-decision model 使用 Gemini 2.5 Pro 时效果最好，，但即便换成 Qwen3-VL-8B 作为决议模子，，仍能把基线 Pass@1 从 40.5% 提升到 44.8%，，Pass@3 从 55.2% 提升到 60.3%。。这说明 MobileForge 的反馈到优化闭环并不完全依赖某个特定闭源评价器。。

论文 Table 6：MobileGym-Critic 模子消融

第五是课程 grounding。。以 Broccoli 使命为例，，只基于 landing screen 天生使命会太过集中在菜谱建设、编辑和删除等首页可见功效上，，其中菜谱删除占 27.3%。。而基于探索轨迹的 MobileGym-Curriculum 能笼罩购物清单、烹饪助手、膳食妄想、设置、媒体分享等更普遍功效。。

论文 Table 7：差别的使命挖掘要领功效笼罩比照（以 Broccoli 为例）

案例：学会在重复 UI 流程中坚持使命意图

论文给出了一个 AndroidWorld 案例：使命要求在 Pro Expense 中删除三项支出，，划分是 Streaming Services、Unexpected Expenses 和 Pet Supplies。。

基础 Qwen3-VL-8B 能进入删除确认流程，，但在删除早期项目后丧失使命流，，重复翻开和关闭侧边栏，，无法继续完成剩余删除。。经由 MobileForge 适配后，，ForgeQwen3-8B 能沿着统一 App 的删除模式一连处理多个项目，，最终完玉成部删除。。

论文 Figure 7：AndroidWorld ExpenseDeleteMultiple2 案例比照

这个案例很典范。。MobileForge 提升的并不是单次点击能力，，而是在 App 特定流程中坚持使命意图、复用操作模式、阻止重复过失的能力。。

论文还做了 tag-wise failure-rate reduction 剖析。。效果显示，，MobileForge 在 verification、search、complex UI、screen reading、repetition、information retrieval 等与 App grounding 强相关的能力上提升显着。。与此同时，，game-playing、multi-app、memorization、math-counting 等使命仍然较难，，说明目今系统在长程状态、跨 App 协协调非标准使命规则方面尚有刷新空间。。

论文 Figure 8：AndroidWorld 差别使命标签下失败率下降热力争

MobileForge 提出的不但是一种无标注适配要领，，更是一套面向 GUI Agent 的数据飞轮：Agent 在真实 App 中探索功效，，MobileGym 将交互轨迹转化为使命和层级反馈，，HiFPO 再把乐成、失败与纠错提醒沉淀为 step-level 战略更新信号。。

在这套闭环里，，数据不再依赖人工写使命、录演示、标奖励，，而是来自 Agent 与目的 App 的一连交互。。每一次实验、失败和修正，，都有时机成为下一轮优化的燃料。。

这也意味着，，手机 GUI Agent 的进化路径正在从 “依赖静态数据集训练”，，转向 “在动态 App 生态中自探索、自反馈、自优化”。。MobileForge 让这条无标注数据飞轮真正转了起来。。

今日官方渠道转达研究效果不必人工标注，，GUI Agent跑数据飞轮：快手、浙大开源MobileForge

大模子驱动的手机 GUI Agent 已经能够明确屏幕、点击按钮、输入文本并完成一系列移动端使命。。但一旦进入真实应用场景，，一个焦点问题就会袒露出来：手机 App 数目重大、更新频仍，，功效和界面转变很快。。若是每适配一个 App 都要人工编写使命、录制专家轨迹、标注奖励信号，，那么本钱会迅速失控。。

来自浙江大学 APRIL 实验室、快手主站手艺部和清华大学的研究团队提出了MobileForge，，试图把手机 GUI Agent 的适配历程酿成一个 “无标注、自探索、自反馈、自优化” 的闭环系统。。

论文题为 MobileForge: Annotation-Free Adaptation for Mobile GUI Agents with Hierarchical Feedback-Guided Policy Optimization。。它的焦点思绪可以概括为一句话：让 Agent 在真实目的 App 中探索功效、自动天生可执行使命、对自己的执行历程举行分层评估，，再把这些反馈转化为可训练的战略优化信号。。

在实验中，，仅使用自动天生的无标注适配数据，，MobileForge 将通用视觉语言模子Qwen3-VL-8B在 AndroidWorld 上的 Pass@3 提升至67.2%，，靠近闭源数据训练的 GUI 专用基础模子 GUI-Owl-1.5-8B 的69.0%。。进一步地，，基于 GUI-Owl-1.5-8B 适配获得的ForgeOwl-8B在 AndroidWorld 上抵达77.6% Pass@3，，并在未加入训练的 MobileWorld GUI-only 使命上取得41.0%乐成率。。

论文 Figure 1：AndroidWorld scaling 趋势、域内适配效果和 MobileWorld 跨域泛化效果

论文的配合第一作者为浙江大学 APRIL 实验室的博士生刘广义、硕士生赵鹏翔、硕士生吴高和清华大学博士生殷翊文，，通讯作者为浙江大学刘勇教授。。MobileForge全链路开源，，代码、数据、模子、训练 / 评测 pipeline 都已开放。。

论文：https://arxiv.org/abs/2606.19930项目主页：https://mobile-forge.github.io/Github：https://github.com/kwai/MobileForgeHuggingface Daily Paper：https://huggingface.co/papers/2606.19930MobileForge 全链路数据：https://huggingface.co/collections/lgy0404/mobileforge-datasetsMobileForge 全链路模子：https://huggingface.co/collections/lgy0404/mobileforge-models

手机 GUI Agent 的瓶颈：不是不会点，，而是不会顺应

已往一年，，GUI Agent 研究希望很快。。从网页、桌面到手机，，越来越多模子可以凭证截图和使命形貌执行点击、滑动、输入、返回、翻开应用等操作。。但移动端有其特殊难题。。

首先，，移动 App 生态极其碎片化。。差别 App 的页面结构、功效入口、交互逻辑差别很大；；；即即是统一个 App，，版本更新后也可能改变按钮位置、菜单层级和使命流程。。

其次，，移动端使命往往是长链路的。。一个使命可能需要翻开应用、进入某个页面、搜索、筛选、选择条目、确认操作，，甚至跨多个 App 转达信息。。只给最终乐成 / 失败的希罕奖励，，很难判断究竟是哪一步出了问题。。

第三，，已有 “无标注” GUI 学习要领虽然镌汰了人工数据依赖，，但通常仍保存两个断点：探索、使命天生、执行和反馈没有形成统一底座；；；战略优化时，，模子往往只把一次 rollout 当成伶仃样本，，依赖粗粒度奖励，，难以从失败轨迹中的准确局部行动中学习。。

论文 Figure 2：已有要领的两个瓶颈以及 MobileForge 的解决思绪

MobileForge 正是围绕这两个问题设计的。。

研究团队提出的问题是：能否构建一个不依赖人工使命、专家树模或奖励标签的手机 GUI Agent 适配系统，，让使命天生来自目的 App 真实交互，，让反馈足够细粒度，，并把 Agent 自己收罗到的履历转化为可优化的战略信号？？

MobileForge = MobileGym + HiFPO

MobileForge 由两个耦合组件组成：

一是MobileGym，，MobileGym 是交互与评估底座。。它在目的 App 中探索可达状态，，基于真实交互轨迹挖掘可执行使命，，并对 Agent 的完整执行历程举行细粒度分层评估。。

二是HiFPO，，全称为 Hierarchical Feedback-Guided Policy Optimization，，即层级反馈指导的战略优化。。它认真调理多次实验、复用前一次失败获得的纠错提醒、筛选有价值使命和方法，，并最终用 hint-contextualized step-level GRPO 更新模子。。

Figure 3：MobileForge 总体流程

可以把 MobileForge 看成一条从 “真实 App 交互” 到 “战略更新” 的自动流水线：

目的 App 探索 → 使命课程天生 → 多次 rollout → 分层评估 → 使命 / 轨迹 / 方法过滤 → 带纠错提醒的 GRPO 训练。。

这条链路中没有人工编写使命，，也没有专家演示某人工奖励标签。。

MobileGym：先在真实 App 中找到 “能学什么”

MobileGym 解决的是数据泉源问题：没有人工使命和树模，，Agent 究竟应该学什么？？

它包括三个要害阶段。。

第一是目的 App 探索。。MobileForge 会直接进入目的 App，，连系 APK 中声明的 activity 等结构信息和目今截图，，天生面向功效的探索目的。。探索历程接纳类似深度优先遍历的方式，，当需要从某个父状态分支到新目的时，，系统会恢复父状态并继续探索。。

这里的探索轨迹并不被看成专家树模。。它的作用是发明真实 App 中可达的页面、可操作的控件和现实保存的功效，，阻止模子凭空理想某个 App 应该支持什么。。

每个被探索到的状态转移都会纪录操作前后截图、执行行动、目的元素、执行元数据和自然语言摘要。。这些纪录组成证据池，，用于后续使命天生。。

第二是MobileGym-Curriculum。。它会把探索证据转化为可执行使命。。对每条探索轨迹，，系统首先判断这段行为是否连贯、原本目的是否完成，，然后围绕统一 App 功效天生多个使命变体。。

论文中将一个天生使命体现为五元组：使命指令、预估步数预算、焦点功效、转变类型和前置条件。。这个 schema 很轻量，，重点不在形式重大，，而在于每个使命都必需锚定到真实视察到的 App 行为。。

第三是MobileGym-Critic。。它不是训练一个奖励模子，，而是用 agentic hierarchical evaluator 对完整 rollout 举行分层评估。。给定一次使命执行，，Critic 会输出三类反。。汗旒＜ outcome label、方法级 process label，，以及纠错 hint。。

轨迹级标签回覆 “使命最终是否完成”；；；方法级标签回覆 “每一步是否合理，，为什么合理或不对理”；；；纠错提醒则总结失败原因、要阻止的行为、建议的替换战略和要害使命洞察。。

Figure 4：移动端 GUI Agent 无标注适配基座 MobileGym

这套分层反馈很是要害。。古板做法往往把一次 rollout 简化成乐成或失败，，但在长链路手机使命中，，失败轨迹也可能包括准确的局部方法，，乐成轨迹中也可能有冗余甚至无意行动。。MobileGym-Critic 的作用，，就是把这些信息拆开。。

HiFPO：把 “失败履历” 酿成训练信号

若是说 MobileGym 认真爆发使命和反馈，，那么 HiFPO 认真把反馈酿成战略更新。。

论文 Figure 5：HiFPO 流程图

它的第一步是带提醒的多次实验。。关于每个使命，，HiFPO 会让目今战略一连实验 K 次。。第一次实验没有特殊提醒；；；若是失败或泛起不对理方法，，MobileGym-Critic 会天生纠错 hint。。第二次实验时，，这些 hint 会被追加到使命指令中，，资助模子阻止重复犯错。。

换句话说，，Agent 不是简朴地多采样一再，，而是在统一个使命上积累履历。。前一次失败会酿成下一次实验的上下文。。

论文 Figure 6：纠错提醒改善 rollout 的案例

第二步是使命过滤。。HiFPO 会盘算统一使命多次实验的履历乐成率 SR (x)。。若是一个使命所有实验都乐成，，说明目今战略已经掌握，，训练价值不大，，因此被移除。。相反，，全失败使命和部分乐成使命都会保存。。

这和许多直觉差别。。MobileForge 并不会简朴扬弃失败使命，，由于失败轨迹中可能包括准确的翻开 App、导航、搜索或识别方法。。只要方法级反馈能够把合理行动挑出来，，失败也能转化成有用学习质料。。

第三步是轨迹与方法选择。。关于保存下来的使命，，若是保存乐成轨迹，，系统会选择方法质量最高的乐成轨迹；；；若是所有失败，，则选择局部合理方法比例最高的失败轨迹。。随后，，训练集只保存被 Critic 判断为合理的局部方法。。

这样，，长链路轨迹被拆成了麋集的 step-level 训练样本，，同时阻止把失败轨迹中的过失行动也强化进去。。

第四步是hint-contextualized step-level GRPO。。这里 HiFPO 并没有发明一个全新的优化器，，而是刷新了 GRPO 的使用状态。。每个 step-level 样本都包括使命、截图、交互历史，，以及其时可用的纠错提醒。。模子在统一个带 hint 的状态下采样多个候选行动，，再用规则化 GUI action reward 举行组内较量。。

实验设置：AndroidWorld 域内适配，，MobileWorld 跨域测试

实验包括两个基准。。

AndroidWorld 是域内设置。。MobileForge 在 AndroidWorld App 生态中探索、天生使命、网络 rollout 并训练，，最终在 116 个 AndroidWorld 使命上评测 Pass@1、Pass@2 和 Pass@3。。

MobileWorld GUI-only 是域外设置。。论文在其 117 使命划分上举行测试，，但训练历程中不使用任何 MobileWorld rollout、使命或反馈。。

基础模子包括两个 8B 规模 instruct agent：通用模子 Qwen3-VL-8B 和 GUI 专用模子 GUI-Owl-1.5-8B。。

MobileForge 一共天生了 3249 个 AndroidWorld 侧候选使命，，这些使命来自 20 个 App、527 个源轨迹标识。。为了研究扩展效果，，论文划分使用 200、400 和 900 个使命子集训练。。

效果一：通用 8B 模子靠近闭源数据 GUI 专用基座

论文 Table 1：AndroidWorld 域内适配与 scaling 效果

在 AndroidWorld 上，，Qwen3-VL-8B 基线的 Pass@3 为 55.2%。。经由 900 个自动天生使命适配后，，ForgeQwen3-8B 的 Pass@3 提升到 67.2%，，Pass@1 从 40.5% 提升到 50.9%，，Pass@2 从 49.1% 提升到 60.3%。。

这使得一个通用 VLM 在 AndroidWorld 上靠近 GUI-Owl-1.5-8B 基座的 69.0% Pass@3。。浚思量到 MobileForge 不使用人工使命、专家演示某人工奖励标签，，这个效果说明真实 App 交互中的无标注反馈确实可以转化为有用能力提升。。

更强的 GUI 专用模子也能继续受益。。GUI-Owl-1.5-8B 基线在 AndroidWorld 上的 Pass@3 为 69.0%；；；经由 MobileForge 适配后，，ForgeOwl-8B 抵达 77.6% Pass@3，，Pass@1 也从 56.0% 提升到 67.2%。。

从使命难度看，，MobileForge 对 easy 和 medium 使命提升稳固；；；在 GUI-Owl-1.5-8B 上，，hard 使命单次乐成率也从 19.3% 提升到 29.8%。。

效果二：只用 AndroidWorld 适配，，也能迁徙到 MobileWorld

论文 Table 2：MobileWorld GUI-only 跨域泛化效果

跨域测试更能说明适配是否只是 “记着了训练 App”。。论文在 MobileWorld GUI-only 上评估时，，没有使用任何 MobileWorld 使命、轨；；；蚍蠢【傩醒盗。。

效果显示，，ForgeOwl-8B 在 MobileWorld GUI-only 117 使命划分上抵达 41.0% 乐成率，，高于 GUI-Owl-1.5-8B 基线的 37.6%，，也凌驾论文较量规模内的多个 open-data mobile GUI agent。。ForgeQwen3-8B 从 Qwen3-VL-8B 的 7.6% 提升到 10.3%，，提升幅度较小，，但仍有正向迁徙。。

这也展现了一个现实问题：跨域泛化不但依赖适配算法，，也强烈依赖基础模子自己的手机 GUI 能力。。MobileForge 可以让已有能力进一步组织和强化，，但若是基座对移动 UI 的明确较弱，，迁徙收益也会受限。。

消融实验：MobileForge 的数据飞轮究竟靠什么转起来？？

论文做了多组消融，，划分验证纠错提醒、训练目的、使命过滤、评价器选择和课程天生方式的作用。。

首先是纠错提醒。。使用 Qwen3-VL-8B 在 200 个天生使命上做 rollout，，若是不加入前一次失败的 hint，，多次实验总乐成率为 52.0%；；；加入纠错提醒后，，总乐成率提升到 77.0%。。Pass@3 也从 49.0% 提升到 72.5%，，平均每次实验步数从 18.4 降到 17.2。。

论文 Table 3：纠错提醒 rollout 消融

这说明，，多次实验之以是有用，，并不是由于模子随机采样更多，，而是由于反馈在统一使命的多次实验之间累积起来，，形成了可复用履历。。

其次是训练目的。。论文较量了 no-hint SFT、hint SFT 和 hint-contextualized GRPO。。效果显示，，no-hint SFT 效果较弱，，甚至可能低于基线；；；加入 hint 后 SFT 有提升，，但带 hint 上下文的 GRPO 在 200 和 900 使命设置下都最好。。900 使命时，，hint-contextualized GRPO 抵达 50.9% AndroidWorld Pass@1。。

论文 Table 4：训练目的消融

第三是使命过滤。。论文发明，，最佳战略并不是去掉失败使命，，而是去掉目今模子已经所有乐成的 mastered tasks，，保存全失败和部分乐成使命，，再用方法级反馈从中恢复合理局部行动。。对应的乐成率规模是 [0.0, 0.9]。。

论文 Table 5：使命级乐成率过滤消融

第四是评价器模子。。MobileGym-Critic 中 final-decision model 使用 Gemini 2.5 Pro 时效果最好，，但即便换成 Qwen3-VL-8B 作为决议模子，，仍能把基线 Pass@1 从 40.5% 提升到 44.8%，，Pass@3 从 55.2% 提升到 60.3%。。这说明 MobileForge 的反馈到优化闭环并不完全依赖某个特定闭源评价器。。

论文 Table 6：MobileGym-Critic 模子消融

第五是课程 grounding。。以 Broccoli 使命为例，，只基于 landing screen 天生使命会太过集中在菜谱建设、编辑和删除等首页可见功效上，，其中菜谱删除占 27.3%。。而基于探索轨迹的 MobileGym-Curriculum 能笼罩购物清单、烹饪助手、膳食妄想、设置、媒体分享等更普遍功效。。

论文 Table 7：差别的使命挖掘要领功效笼罩比照（以 Broccoli 为例）

案例：学会在重复 UI 流程中坚持使命意图

论文给出了一个 AndroidWorld 案例：使命要求在 Pro Expense 中删除三项支出，，划分是 Streaming Services、Unexpected Expenses 和 Pet Supplies。。

基础 Qwen3-VL-8B 能进入删除确认流程，，但在删除早期项目后丧失使命流，，重复翻开和关闭侧边栏，，无法继续完成剩余删除。。经由 MobileForge 适配后，，ForgeQwen3-8B 能沿着统一 App 的删除模式一连处理多个项目，，最终完玉成部删除。。

论文 Figure 7：AndroidWorld ExpenseDeleteMultiple2 案例比照

这个案例很典范。。MobileForge 提升的并不是单次点击能力，，而是在 App 特定流程中坚持使命意图、复用操作模式、阻止重复过失的能力。。

论文还做了 tag-wise failure-rate reduction 剖析。。效果显示，，MobileForge 在 verification、search、complex UI、screen reading、repetition、information retrieval 等与 App grounding 强相关的能力上提升显着。。与此同时，，game-playing、multi-app、memorization、math-counting 等使命仍然较难，，说明目今系统在长程状态、跨 App 协协调非标准使命规则方面尚有刷新空间。。

论文 Figure 8：AndroidWorld 差别使命标签下失败率下降热力争

MobileForge 提出的不但是一种无标注适配要领，，更是一套面向 GUI Agent 的数据飞轮：Agent 在真实 App 中探索功效，，MobileGym 将交互轨迹转化为使命和层级反馈，，HiFPO 再把乐成、失败与纠错提醒沉淀为 step-level 战略更新信号。。

在这套闭环里，，数据不再依赖人工写使命、录演示、标奖励，，而是来自 Agent 与目的 App 的一连交互。。每一次实验、失败和修正，，都有时机成为下一轮优化的燃料。。

这也意味着，，手机 GUI Agent 的进化路径正在从 “依赖静态数据集训练”，，转向 “在动态 App 生态中自探索、自反馈、自优化”。。MobileForge 让这条无标注数据飞轮真正转了起来。。

今天(9日)，，天下最大的27.1万立方米超大型LNG运输船在中船集团沪东中华造船正式开工制作，，要害性能实现周全迭代升级，，妄想于2028年交付。。

凯时AG

燃油周全重回7元时代