گروهی از پژوهشگران دانشگاه نانجینگ، SenseTime و چند دانشگاه دیگر پروژه‌ی OpenMobile-2 را متن‌باز کرده‌اند؛ دو مدل ایجنت که برنامه‌های گوشی را مثل کاربر کنترل می‌کنند، به‌همراه محیط آموزش و داده‌ی آن. مقاله‌ی پروژه ۱۷ مهر ۱۴۰۵ (۹ اکتبر ۲۰۲۶) در arXiv آمد و The Decoder روز ۳ آبان (۲۵ اکتبر) درباره‌اش نوشت.
OpenMobile-2 چه می‌کند؟
ایجنت‌های گوشی فقط تصویر صفحه را می‌بینند و باید بزنند، بنویسند و بین برنامه‌ها جابه‌جا شوند. مشکل داده است: داده‌ی خوب بیشتر دست شرکت‌های بزرگ است و آموزش روی برنامه‌های واقعی دردسر دارد (ورود به حساب، خریدِ واقعی، نبودنِ راه برگشت به حالت اول). طبق مقاله‌ی arXiv تیم محیطی به نام MobileGym++ ساخته که ۳۵ برنامه‌ی تجاری را شبیه‌سازی می‌کند (در The Decoder از برنامه‌های چینی مثل Taobao و DiDi و ابزارهایی مثل Slack نام رفته). همراه برنامه‌های شبیه‌ساز اندروید، کل محیط بیش از ۱۱۰ برنامه را پوشش می‌دهد.
- حدود ۱۲ هزار نمونه‌ی کار برای آموزش با نظارت و بیش از ۲ هزار تکلیف با بررسی خودکار برای یادگیری تقویتی.
- بیش از ۳۰۰ «ابزار بومی» در بیش از ۵۰ برنامه، مثل «افزودن به سبد»، که ایجنت می‌تواند به‌جای چند ضربه روی صفحه صدا بزند.
- دو مدل بر پایه‌ی Qwen3.5 با ۹ میلیارد و Qwen3.6 با ۲۷ میلیارد پارامتر.
نتیجه‌ها
مدل ۲۷ میلیاردی در AndroidWorld از ۶۷٫۱ به ۷۹٫۹ رسید و در MobileWorld از ۳۵٫۹ به ۵۰٫۴. روی دستگاه‌های واقعی (SPA-Bench) امتیاز از ۳۱٫۹ به ۵۹٫۶ رفت، که به نوشته‌ی The Decoder بالاترین امتیاز میان مدل‌های باز است و فقط Gemini 3.1 Pro بالاتر بوده. یافته‌ی جالب: با همان حجم داده، افزودنِ تنوع برنامه‌ها موفقیت در برنامه‌های دیده‌نشده را از ۶۰٫۷ به ۶۷٫۵ درصد رساند؛ یعنی تنوع برنامه از حجم داده مهم‌تر بود. یادگیری تقویتی سودی اندک داشت و برای مدل ۲۷ میلیاردی در AndroidWorld حتی کمی افت کرد (۸۰٫۸ به ۷۹٫۹).
چه چیزهایی را باید با احتیاط خواند؟
همه‌ی اعداد از خودِ پژوهشگران است و هنوز آزمایش مستقل ندیده‌ام. ابزارهای بومی فقط در برنامه‌های شبیه‌سازی‌شده وجود دارند، نه برنامه‌های واقعی. صفحه‌ی پروژه می‌گوید کد، محیط، داده و مدل‌ها منتشر شده‌اند، ولی مجوز وزن‌های مدل و داده‌ی نمونه‌ها در آن نیامده و بخشی از محیط پایه روی داده‌ی CC BY-NC (غیرتجاری) بنا شده است. پس پیش از استفاده‌ی تجاری مجوزها را بخوانید.
این یعنی چه برای کاربرِ فارسی‌زبان؟
برای کاربر عادی هنوز محصولی نیست که نصب کند. اما اگر برنامه‌نویس یا پژوهشگر هستید، برای نخستین بار مجموعه‌ای باز دارید که می‌شود با آن ایجنت گوشی را آموزش داد و سنجید؛ این می‌تواند راه را برای ایجنت‌هایی باز کند که برنامه‌های محلی و حتی فارسی را بفهمند، هرچند OpenMobile-2 چنین ادعایی نکرده است. برای آشنایی با مفهوم، ایجنت هوش مصنوعی چیست را ببینید. و برای گفتگو با مدل‌های Qwen، DeepSeek، Claude و GPT به فارسی، ابزارهای هوش‌نو را امتحان کنید.
سؤالات متداول
ایجنت گوشی چه کاربردی دارد؟
ایده‌ی ایجنت گوشی این است که به‌جای شما، برنامه‌ها را باز کند و کار را تمام کند: سفارش غذا، رزرو وقت، پیداکردن یک تنظیم گم‌شده. گوگل و چند شرکت دیگر هم مدل‌هایی با کنترل گوشی عرضه کرده‌اند، ولی بیشترشان بسته‌اند. ارزش OpenMobile-2 این است که دستورالعمل کامل آموزش و محیط ارزیابی را باز می‌گذارد تا دیگران بتوانند نتیجه‌ها را بازتولید کنند و مدل خودشان را بسنجند. در عین حال باید به یاد داشت که کنترل برنامه‌های واقعی ریسک دارد: اشتباه یک ایجنت می‌تواند سفارش یا پرداخت ناخواسته ثبت کند. خبر Guardian Agents مایکروسافت همین نگرانی را از نگاه سازمان‌ها شرح می‌دهد.
OpenMobile-2 گوشی من را کنترل می‌کند؟
نه، فعلاً پروژه‌ی پژوهشی است برای آموزش و سنجش ایجنت‌ها، نه برنامه‌ی آماده.
چرا مهم است که متن‌باز است؟
چون پژوهشگران می‌توانند محیط و داده را بازتولید کنند، بی‌آنکه به داده‌ی بسته‌ی شرکت‌ها وابسته باشند.
از Gemini هم بهتر است؟
نه. در SPA-Bench فقط Gemini 3.1 Pro امتیاز بالاتر دارد.
