北京2025年10月6日 /美通社/ -- 2025年，Agent無疑是AI圈的熱詞。行業(yè)普遍認(rèn)為：真正有用的Agent，必須學(xué)會使用手機(jī)和電腦，像人一樣操作GUI。

近日，中國企業(yè)級大模型與數(shù)據(jù)智能企業(yè)——明略科技推出的專有GUI大模型 Mano在行業(yè)公認(rèn)的Mind2Web和OSWorld兩大基準(zhǔn)測試中，均取得了創(chuàng)紀(jì)錄的SOTA成績。通過在線強(qiáng)化學(xué)習(xí)和訓(xùn)練數(shù)據(jù)自動採集兩大核心創(chuàng)新，Mano為GUI智能體領(lǐng)域提供了一套可擴(kuò)展、可持續(xù)進(jìn)化的新範(fàn)式。

榜單鏈接：https://os-world.github.io/
技術(shù)報告鏈接：https://www.mininglamp.com/news/6394/

關(guān)鍵突破：

1．Mind2Web：Mind2Web覆蓋137個網(wǎng)站、2350+真實任務(wù)，旨在考察智能體能否在複雜多變的DOM結(jié)構(gòu)裡精準(zhǔn)找到目標(biāo)元素，並完成整個操作鏈。Mano展示出「看得準(zhǔn)、做得成」的核心優(yōu)勢。

技術(shù)報告顯示，Mano的元素精度 (Ele.Acc）和步驟成功率（Step SR）指標(biāo)遙遙領(lǐng)先，在準(zhǔn)確識別、定位界面元素，以及成功執(zhí)行多步任務(wù)能力上達(dá)到新高度。Mano的操作F1 (Op.F1) 指標(biāo)與此前頂尖模型持平甚至略高，能夠真正將複雜任務(wù)轉(zhuǎn)化為成功的操作序列。

2. OSWorld-Verified：更難的挑戰(zhàn)來自桌面端。OSWorld-Verified涵蓋了369個跨應(yīng)用任務(wù)，覆蓋10類應(yīng)用，包含瀏覽器，辦公軟件等多個類型，每一個操作都和真實桌面場景無縫對接。

技術(shù)報告顯示，在OSWorld-Verified榜單的Foundation E2E GUI & Specialized Model 評測中，Mano直接把成功率提升到 41.6±0.7%，超過qwen、GUI-Owl、opencua等模型。

技術(shù)創(chuàng)新：

亮點一：首次提出「在線強(qiáng)化學(xué)習(xí)」

自DeepSeek橫空出世以來，GRPO已經(jīng)成為強(qiáng)化學(xué)習(xí)黃金範(fàn)式?，F(xiàn)有的模型訓(xùn)練大多局限在離線強(qiáng)化學(xué)習(xí)的範(fàn)疇，深度依賴事先收集好的數(shù)據(jù)集。但在GUI交互智能體領(lǐng)域，任何操作都與真實的系統(tǒng)交互環(huán)境密切相關(guān)。

因此，Mano在GUI交互領(lǐng)域首次提出「在線強(qiáng)化學(xué)習(xí)」的訓(xùn)練範(fàn)式，並推出訓(xùn)練數(shù)據(jù)自動採集的「探索器」，讓智能體時刻依賴最新數(shù)據(jù)進(jìn)行學(xué)習(xí)，並在「嘗試新的行動以獲取信息」和「基於已有知識採取最優(yōu)行動」之間取得平衡。

為了在真實的交互環(huán)境中不斷強(qiáng)化以提高適應(yīng)性和靈活性，明略科技建立了一個模擬環(huán)境池，包括瀏覽器環(huán)境（BUA）和桌面環(huán)境（CUA），讓模型在真實交互中採集更多樣化的環(huán)境數(shù)據(jù)，彌補(bǔ)了離線軌跡分佈稀疏的局限性，最終在多樣化的Web GUI場景中展現(xiàn)出更強(qiáng)的魯棒性。

同時，採用在線採樣 + 離線過濾的創(chuàng)新方式：先收集軌跡，再過濾噪聲數(shù)據(jù)，動態(tài)調(diào)節(jié)任務(wù)難度分佈，有效避免了因失敗軌跡導(dǎo)致學(xué)習(xí)效率低下的問題。

消融實驗結(jié)果顯示，加入在線強(qiáng)化學(xué)習(xí)後，模型在OSWorld-Verified數(shù)據(jù)集的平均分?jǐn)?shù)產(chǎn)生了質(zhì)的飛躍，相比離線強(qiáng)化學(xué)習(xí)的模型結(jié)果提升了 7.9，達(dá)到 41.6。

亮點二：智能探索，採集真實環(huán)境軌跡

儘管大模型能夠理解籠統(tǒng)的指令，但在多步驟操作的目標(biāo)驅(qū)動型任務(wù)中，往往無法將大目標(biāo)分解為具體的執(zhí)行步驟。因此，研發(fā)人員需要為交互任務(wù)構(gòu)建專用的模型和智能體。在這一過程中，海量的高質(zhì)量交互軌跡數(shù)據(jù)不可或缺。過去，這類數(shù)據(jù)往往需要人工構(gòu)建或標(biāo)注，成本高、耗時長。對此，明略科技設(shè)計了訓(xùn)練數(shù)據(jù)自動採集的方法，從根本上提升了數(shù)據(jù)收集的效率和準(zhǔn)確性，這正是Mano的第二大創(chuàng)新。

明略科技搭建了一個可擴(kuò)展的虛擬環(huán)境集群，用於模擬多種交互場景。針對每個目標(biāo)應(yīng)用，大模型自動生成目標(biāo)清單，並對目標(biāo)進(jìn)行優(yōu)先級排序，過濾掉使用頻率極低的功能，為後續(xù)探索提供明確的上下文指導(dǎo)。

元素提取方面，明略科技為網(wǎng)頁環(huán)境定制了Chrome插件「Mano-C」，全面提取網(wǎng)頁中的交互元素，捕捉其空間坐標(biāo)與語義屬性。針對桌面環(huán)境，技術(shù)團(tuán)隊則採用A11y Tree解析與 OmniParseV2協(xié)同過濾的方法，確保覆蓋更多交互元素。

數(shù)據(jù)標(biāo)注方面，明略科技利用大模型為每個提取的元素生成語義標(biāo)籤、功能描述，以及交互類別，形成結(jié)構(gòu)化的語義對齊數(shù)據(jù)，為後續(xù)訓(xùn)練提供有效監(jiān)督。

為了提升數(shù)據(jù)採集的智能程度，技術(shù)團(tuán)隊設(shè)計了基於Prompt的探索模塊，用於智能選擇交互元素，並引入顯式約束，避免路徑循環(huán)和冗余分支。在探索過程中，採用深度優(yōu)先搜索（DFS）策略，系統(tǒng)會截取截圖並保存帶註釋的交互數(shù)據(jù)。完成探索後，通過軌跡評估機(jī)制，篩選出高質(zhì)量的交互序列。整個過程不斷循環(huán)，每一步都會檢查是否達(dá)到最大探索深度。

Mano的SOTA表現(xiàn)，得益於明略科技多年來在大模型領(lǐng)域的積累。2024年，明略科技的超圖多模態(tài)大語言模型（HMLLM）和Video-SME數(shù)據(jù)集在腦電圖、眼動等非標(biāo)模態(tài)數(shù)據(jù)處理領(lǐng)域取得顯著突破，榮獲ACM MM 2024最佳論文提名。2025年，明略科技推出企業(yè)級商業(yè)數(shù)據(jù)分析可信智能體DeepMiner，Mano作為DeepMiner的自動化執(zhí)行引擎，讓智能體真正學(xué)會了「看」與「點」，在複雜的軟件與瀏覽器環(huán)境下實現(xiàn)了精細(xì)化操作。展望未來，明略科技將進(jìn)一步優(yōu)化Mano在應(yīng)用和端側(cè)部署能力，加速企業(yè)智能化轉(zhuǎn)型進(jìn)程。