Fugu-MT 論文翻訳(概要): Mobile-Agent-v3.5: Multi-platform Fundamental GUI Agents

論文の概要: Mobile-Agent-v3.5: Multi-platform Fundamental GUI Agents

arxiv url: http://arxiv.org/abs/2602.16855v1
Date: Sun, 15 Feb 2026 01:52:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-20 15:21:28.393866
Title: Mobile-Agent-v3.5: Multi-platform Fundamental GUI Agents
Title（参考訳）: Mobile-Agent-v3.5: マルチプラットフォームの基本GUIエージェント
Authors: Haiyang Xu, Xi Zhang, Haowei Liu, Junyang Wang, Zhaozai Zhu, Shengjie Zhou, Xuhao Hu, Feiyu Gao, Junjie Cao, Zihua Wang, Zhiyuan Chen, Jitong Liao, Qi Zheng, Jiahui Zeng, Ze Xu, Shuai Bai, Junyang Lin, Jingren Zhou, Ming Yan,
Abstract要約: この記事では、最新のネイティブGUIエージェントモデルであるGUI-Owl-1.5を紹介する。クラウドとエッジのコラボレーションとリアルタイムのインタラクションを実現するために、さまざまなプラットフォーム(デスクトップ、モバイル、ブラウザなど)をサポートしている。オープンソースモデル上で20以上のGUIベンチマークで最先端の結果を得る。
参考スコア（独自算出の注目度）: 56.72789202127874
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The paper introduces GUI-Owl-1.5, the latest native GUI agent model that features instruct/thinking variants in multiple sizes (2B/4B/8B/32B/235B) and supports a range of platforms (desktop, mobile, browser, and more) to enable cloud-edge collaboration and real-time interaction. GUI-Owl-1.5 achieves state-of-the-art results on more than 20+ GUI benchmarks on open-source models: (1) on GUI automation tasks, it obtains 56.5 on OSWorld, 71.6 on AndroidWorld, and 48.4 on WebArena; (2) on grounding tasks, it obtains 80.3 on ScreenSpotPro; (3) on tool-calling tasks, it obtains 47.6 on OSWorld-MCP, and 46.8 on MobileWorld; (4) on memory and knowledge tasks, it obtains 75.5 on GUI-Knowledge Bench. GUI-Owl-1.5 incorporates several key innovations: (1) Hybird Data Flywheel: we construct the data pipeline for UI understanding and trajectory generation based on a combination of simulated environments and cloud-based sandbox environments, in order to improve the efficiency and quality of data collection. (2) Unified Enhancement of Agent Capabilities: we use a unified thought-synthesis pipeline to enhance the model's reasoning capabilities, while placing particular emphasis on improving key agent abilities, including Tool/MCP use, memory and multi-agent adaptation; (3) Multi-platform Environment RL Scaling: We propose a new environment RL algorithm, MRPO, to address the challenges of multi-platform conflicts and the low training efficiency of long-horizon tasks. The GUI-Owl-1.5 models are open-sourced, and an online cloud-sandbox demo is available at https://github.com/X-PLUG/MobileAgent.
Abstract（参考訳）: この記事では、GUI-Owl-1.5について紹介する。GUI-Owl-1.5は、複数のサイズの変種(2B/4B/8B/32B/235B)を指示/思考する最新のネイティブGUIエージェントモデルで、クラウド-エッジのコラボレーションとリアルタイムインタラクションを実現するために、さまざまなプラットフォーム(デスクトップ、モバイル、ブラウザなど)をサポートしている。 GUI自動化タスクでは、OSWorldで56.5、AndroidWorldで71.6、WebArenaで48.4、ScreenSpotProで80.3、OSWorld-MCPで47.6、MobileWorldで46.8、メモリと知識タスクでは75.5、GUI-Knowledge Benchで75.5である。 1)Hybird Data Flywheel: シミュレーション環境とクラウドベースのサンドボックス環境を組み合わせたUI理解とトラジェクトリ生成のためのデータパイプラインを構築し、データ収集の効率と品質を向上させる。 2)エージェント能力の統一化:モデルの推論能力を向上させるために統合思考合成パイプラインを使用し,ツール/MCPの使用,メモリ,マルチエージェント適応などのキーエージェント能力の向上に特に重点を置いている。 GUI-Owl-1.5モデルはオープンソースであり、オンラインのクラウドサンドボックスデモはhttps://github.com/X-PLUG/MobileAgent.comで公開されている。

論文の概要: Mobile-Agent-v3.5: Multi-platform Fundamental GUI Agents

関連論文リスト