浏览器秒变手机！中科院开源 Agent 训练场，微信、原神都能跑

📌 一句话摘要

中科院自动化所开源 MobileGym，一个运行在浏览器中的轻量级安卓仿真平台，通过结构化 JSON 状态实现可读、可写、可复制的环境，为 Mobile Agent 提供低成本、高并发的训练与评测基础设施。

📝 详细摘要

本文介绍了中科院自动化所模式识别实验室开源的 MobileGym 项目，这是一个完全运行在浏览器中的安卓仿真平台。核心创新在于用结构化 JSON 表示整个环境状态，解决了真实 App 状态读不到、改不回、复制不了的三大难题。平台覆盖 28 个 App（含微信、支付宝、小红书等国民级应用），单个实例仅需 400MB 内存、3 秒冷启动，一台服务器可并行运行数百个环境。配套的 MobileGym-Bench 包含 416 个参数化任务模板，可衍生超 27000 个实例，9 个顶尖 Agent 模型在测试中最高仅获 58.8% 成功率。训练方面，使用 GRPO 算法微调 Qwen3-VL-4B 后，测试集成功率从 9.4% 提升至 22.2%，且 95.1% 的模拟训练增益可迁移至真机。平台还引入 USE（意外副作用）指标，可检测 Agent 在执行任务时的额外操作，为 AI 安全对齐研究提供理想沙箱。

💡 主要观点

- MobileGym 通过浏览器仿真和结构化 JSON 状态，解决了真实 App 状态不可控的难题。 用结构化 JSON 表示整个环境状态，实现可读（程序直接校验）、可写（任意配置重置）、可复制（毫秒级快照），彻底解决模拟器风控和真机成本问题。

同一套可验证信号同时服务于评测和训练，实现考练一体。 程序化状态校验既是评测的确定性成绩单，也是强化学习的奖励信号，无需调用昂贵的大模型当裁判，评测成本降为 0。

平台轻量化设计支持大规模并行，一台服务器可替代一个机房。 单个实例仅 400MB 内存、3 秒冷启动，一台服务器可开 256 个并行环境，相比传统方案（10 台服务器、3840GB 内存）成本大幅降低。

模拟训练成果可有效迁移至真机，验证了仿真环境的实用性。 训练后模型在真机信号任务上成功率从 32.2% 提升至 72.9%，95.1% 的模拟训练增益成功迁移，证明仿真环境具有实际应用价值。

USE 指标可检测 Agent 的意外副作用，为 AI 安全对齐提供新工具。 通过对比任务前后全环境状态，发现即使成功率相近的模型，意外操作概率可相差近 2 倍，为高风险操作的安全研究提供零后果沙箱。

💬 文章金句

- 让 AI 像人一样操作手机，是过去一年最火的赛道之一。

• 既然真实 App 的状态读不到、改不回、也复制不了——那干脆别在真机上死磕了：索性自己在浏览器里造一个仿真的安卓世界。
• GUI Agent 的眼里只有截图，手里只有点击。
• MobileGym 把整个环境的状态——App 数据、系统设置、设备信息——全部用一份结构化 JSON 来表示。
• 同一套可验证信号，既是评测的成绩单，又是训练的奖励——一套环境，考、练通吃。

📊 文章信息

AI 初评：90

来源：新智元

作者：新智元

分类：人工智能

语言：中文

阅读时间：20 分钟

字数：4912

标签： MobileGym, Mobile Agent, 安卓仿真, 强化学习, GUI Agent

阅读完整文章