大模型驱动的手机 GUI Agent 已经可能理解屏幕、、、点击按钮、、、输入文本并实现一系列移动端工作。！！５坏┙胝媸道贸【埃，，一个主题问题就会露出出来：：手机 App 数量重大、、、更新频仍，，，职能和界面变动很快。！！Ｈ羰敲渴逝湟桓 App 都要人为编写工作、、、录制专家轨！、、、标注嘉奖信号，，，那么成本会迅速失控。！！

来自浙江大学 APRIL 尝试室、、、快手主站技术部和清华大学的钻研团队提出了MobileForge，，，试图把手机 GUI Agent 的适配过程造成一个 “无标注、、、自索求、、、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。！！Ｋ闹魈馑悸纺芄桓爬ㄎ痪浠：：让 Agent 在真实指标 App 中索求职能、、、自动天生可执行工作、、、对自己的执行过程进行分层评估，，，再把这些反馈转化为可训练的战术优化信号。！！

在尝试中，，，仅使用自动天生的无标注适配数据，，，MobileForge 将通用视觉说话模型Qwen3-VL-8B在 AndroidWorld 上的 Pass@3 提升至67.2%，，，靠近闭源数据训练的 GUI 专用基础模型 GUI-Owl-1.5-8B 的69.0%。！！＝徊降兀，，基于 GUI-Owl-1.5-8B 适配得到的ForgeOwl-8B在 AndroidWorld 上达到77.6% Pass@3，，，并在未参加训练的 MobileWorld GUI-only 工作上获得41.0%成功率。！！

论文 Figure 1：：AndroidWorld scaling 趋向、、、域内适配了局和 MobileWorld 跨域泛化了局

论文的共同第一作者为浙江大学 APRIL 尝试室的博士生刘广义、、、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。！！obileForge全链路开源，，，代码、、、数据、、、模型、、、训练 / 评测 pipeline 都已盛开。！！

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 全链路模型：：https://huggingface.co/collections/lgy0404/mobileforge-models

手机 GUI Agent 的瓶颈：：不是不会点，，，而是不会适应

从前一年，，，GUI Agent 钻研进展很快。！！４油、、、桌面得手机，，，越来越多模型能够凭据截图和工作描述执行点击、、、滑动、、、输入、、、返回、、、打开利用等操作。！！５贫擞衅涮厥饽烟。！！

首先，，，移动 App 生态极其碎片化。！！７制 App 的页面结构、、、职能入口、、、交互逻辑差距很大；即就是统一个 App，，，版本更新后也可能扭转按钮地位、、、菜单层级和工作流程。！！

其次，，，移动端工作往往是长链路的。！！Ｒ桓龉ぷ骺赡鼙匾蚩、、、进入某个页面、、、搜索、、、筛选、、、选择条款、、、确认操作，，，甚至跨多个 App 传递信息。！！Ｖ桓钪粘晒 / 失败的稀少嘉奖，，，很难判断到底是哪一步出了问题。！！

第三，，，已有 “无标注” GUI 学习步骤固然削减了人为数据依赖，，，但通常仍存在两个断点：：索求、、、工作天生、、、执行和反馈没有形成统一底座；战术优化时，，，模型往往只把一次 rollout 当成孤立样本，，，依赖粗粒度嘉奖，，，难以从失败轨迹中的正确部门作为中学习。！！

论文 Figure 2：：已有步骤的两个瓶颈以及 MobileForge 的解决思路

MobileForge 正是萦绕这两个问题设计的。！！

钻研团队提出的问题是：：能否构建一个不依赖人为工作、、、专家示范或嘉奖标签的手机 GUI Agent 适配系统，，，让工作天生来自指标 App 真实交互，，，让反馈足够细粒度，，，并把 Agent 自己采集到的经验转化为可优化的战术信号？

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。！！Ｋ谥副 App 中索求可达状态，，，基于真实交互轨迹挖掘可执行工作，，，并对 Agent 的齐全执行过程进行细粒度分层评估。！！

二是HiFPO，，，全称为 Hierarchical Feedback-Guided Policy Optimization，，，即层级反馈疏导的战术优化。！！Ｋ乒艿鞫嚷糯纬⑹、、、复用前一次失败得到的纠错提醒、、、筛选有价值工作和步骤，，，并最终用 hint-contextualized step-level GRPO 更新模型。！！

Figure 3：：MobileForge 总体流程

能够把 MobileForge 当作一条从 “真实 App 交互” 到 “战术更新” 的自动流水线：：

指标 App 索求 → 工作课程天生 → 屡次 rollout → 分层评估 → 工作 / 轨迹 / 步骤过滤 → 带纠错提醒的 GRPO 训练。！！

这条链路中没有人为编写工作，，，也没有专家演示某人为嘉奖标签。！！

MobileGym：：先在真实 App 中找到 “能学什么”

MobileGym 解决的是数据起源问题：：没有人为工作和示范，，，Agent 到底应该学什么？

它蕴含三个关键阶段。！！

第一是指标 App 索求。！！obileForge 会直接进入指标 App，，，结合 APK 中申明的 activity 等结构信息和当前截图，，，天生面向职能的索求指标。！！Ｋ髑蠊萄∪±嗨粕疃扔畔缺槔姆绞剑，，当必要从某个父状态分支到新指标时，，，系统会复原父状态并持续索求。！！

这里的索求轨迹并不被当作专家示范。！！Ｋ淖饔檬欠⑾终媸 App 中可达的页面、、、可操作的控件和现实存在的职能，，，预防模型凭空空想某个 App 应该支持什么。！！

每个被索求到的状态转移城市纪录操作前后截图、、、执行作为、、、指标元素、、、执行元数据和天然说话提要。！！Ｕ庑┘吐甲槌芍ぞ莩兀，，用于后续工作天生。！！

第二是MobileGym-Curriculum。！！Ｋ岚阉髑笾ぞ葑芍葱泄ぷ。！！６悦刻跛髑蠊旒＃，，系统首先判断这段行为是否连贯、、、正本指标是否实现，，，而后萦绕统一 App 职能天生多个工作变体。！！

论文中将一个天生工作暗示为五元组：：工作指令、、、预估步数预算、、、主题职能、、、变动类型和前置前提。！！Ｕ飧 schema 很轻量，，，重点不在大局复杂，，，而在于每个工作都必须锚定到真实观察到的 App 行为。！！

第三是MobileGym-Critic。！！Ｋ皇茄盗芬桓黾谓蹦Ｐ停，，而是用 agentic hierarchical evaluator 对齐全 rollout 进行分层评估。！！８ㄒ淮喂ぷ髦葱校，，Critic 会输出三类反。！！：：轨迹级 outcome label、、、步骤级 process label，，，以及纠错 hint。！！

轨迹级标签回覆 “工作最终是否实现”；步骤级标签回覆 “每一步是否合理，，，为什么合理或不合理”；纠错提醒则总结失败原因、、、要预防的行为、、、建议的代替战术和关键工作洞察。！！

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

这套分层反馈极度关键。！！４匙龇ㄍ岩淮 rollout 简化成成功或失败，，，但在长链路手机工作中，，，失败轨迹也可能蕴含正确的部门步骤，，，成功轨迹中也可能有冗余甚至无意作为。！！obileGym-Critic 的作用，，，就是把这些信息拆开。！！

HiFPO：：把 “失败经验” 造成训练信号

若是说 MobileGym 掌管产生工作和反。！！，，，那么 HiFPO 掌管把反馈造成战术更新。！！

论文 Figure 5：：HiFPO 流程图

它的第一步是带提醒的屡次尝试。！！６杂诿扛龉ぷ鳎，，HiFPO 会让当前战术陆续尝试 K 次。！！５谝淮纬⑹悦挥卸钔馓嵝眩蝗羰鞘О芑虺鱿植缓侠聿街瑁，，MobileGym-Critic 会天生纠错 hint。！！５诙次尝试时，，，这些 hint 会被追加到工作指令中，，，援手模型预防反复犯错。！！

换句话说，，，Agent 不是单一地多采样几次，，，而是在统一个工作上堆集经验。！！Ｇ耙淮问О芑嵩斐上乱淮纬⑹缘母叩臀。！！

论文 Figure 6：：纠错提醒改善 rollout 的案例

第二步是工作过滤。！！iFPO 会推算统一工作屡次尝试的经验成功率 SR (x)。！！Ｈ羰且桓龉ぷ魉谐⑹远汲晒Γ，，注明当前战术已经把握，，，训练价值不大，，，因而被移除。！！Ｏ喾矗，，全失败工作和部门成功工作城市保留。！！

这融洽多直觉分歧。！！obileForge 并不会单一抛弃失败工作，，，由于失败轨迹中可能蕴含正确的打开 App、、、导航、、、搜索或鉴别步骤。！！Ｖ挥胁街杓斗蠢】赡馨押侠碜魑舫隼矗，，失败也能转化成有效学习资料。！！

第三步是轨迹与步骤选择。！！６杂诒Ａ粝吕吹墓ぷ鳎，，若是存在成功轨迹，，，系统会选择步骤质量最高的成功轨迹；若是全数失败，，，则选择部门合理步骤比例最高的失败轨迹。！！Ｋ婧螅，，训练集只保留被 Critic 判定为合理的部门步骤。！！

这样，，，长链路轨迹被拆成了密集的 step-level 训练样本，，，同时预防把失败轨迹中的谬误作为也强化进去。！！

第四步是hint-contextualized step-level GRPO。！！Ｕ饫 HiFPO 并没有发现一个全新的优化器，，，而是刷新了 GRPO 的使用状态。！！Ｃ扛 step-level 样本都蕴含工作、、、截图、、、交互汗青，，，以及其时可用的纠错提醒。！！ＤＰ驮谕骋桓龃 hint 的状态下采样多个候选作为，，，再用规定化 GUI action reward 进行组内比力。！！

尝试设置：：AndroidWorld 域内适配，，，MobileWorld 跨域测试

尝试蕴含两个基准。！！

AndroidWorld 是域内设置。！！obileForge 在 AndroidWorld App 生态中索求、、、天生工作、、、网络 rollout 并训练，，，最终在 116 个 AndroidWorld 工作上评测 Pass@1、、、Pass@2 和 Pass@3。！！

MobileWorld GUI-only 是域外设置。！！Ｂ畚脑谄 117 工作划分上进行测试，，，但训练过程中不使用任何 MobileWorld rollout、、、工作或反馈。！！

基础模型蕴含两个 8B 规模 instruct agent：：通用模型 Qwen3-VL-8B 和 GUI 专用模型 GUI-Owl-1.5-8B。！！

MobileForge 一共天生了 3249 个 AndroidWorld 侧候选工作，，，这些工作来自 20 个 App、、、527 个源轨迹标识。！！Ｎ俗暄欣┐蟪尚В，，论文别离使用 200、、、400 和 900 个工作子集训练。！！

了局一：：通用 8B 模型靠近闭源数据 GUI 专用基座

论文 Table 1：：AndroidWorld 域内适配与 scaling 了局

在 AndroidWorld 上，，，Qwen3-VL-8B 基线的 Pass@3 为 55.2%。！！＞ 900 个自动天生工作适配后，，，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。！！Ｋ伎嫉 MobileForge 不使用人为工作、、、专家演示某人为嘉奖标签，，，这个了局注明真实 App 交互中的无标注反馈的确能够转化为有效能力提升。！！

更强的 GUI 专用模型也能持续受益。！！UI-Owl-1.5-8B 基线在 AndroidWorld 上的 Pass@3 为 69.0%；经过 MobileForge 适配后，，，ForgeOwl-8B 达到 77.6% Pass@3，，，Pass@1 也从 56.0% 提升到 67.2%。！！

从工作难度看，，，MobileForge 对 easy 和 medium 工作提升不变；在 GUI-Owl-1.5-8B 上，，，hard 工作单次成功率也从 19.3% 提升到 29.8%。！！

了局二：：只用 AndroidWorld 适配，，，也能迁徙到 MobileWorld

论文 Table 2：：MobileWorld GUI-only 跨域泛化了局

跨域测试更能注明适配是否只是 “记住了训练 App”。！！Ｂ畚脑 MobileWorld GUI-only 上评估时，，，没有使用任何 MobileWorld 工作、、、轨迹或反馈进行训练。！！

了局显示，，，ForgeOwl-8B 在 MobileWorld GUI-only 117 工作划分上达到 41.0% 成功率，，，高于 GUI-Owl-1.5-8B 基线的 37.6%，，，也超过论文比力领域内的多个 open-data mobile GUI agent。！！orgeQwen3-8B 从 Qwen3-VL-8B 的 7.6% 提升到 10.3%，，，提升幅度较。！！，，，但仍有正向迁徙。！！

这也揭示了一个现实问题：：跨域泛化不仅依赖适配算法，，，也强烈依赖基础模型自身的手机 GUI 能力。！！obileForge 能够让已有能力进一步组织和强化，，，但若是基座对移动 UI 的理解较弱，，，迁徙收益也会受限。！！

消融尝试：：MobileForge 的数据飞轮到底靠什么转起来？

论文做了多组消融，，，别离验证纠错提醒、、、训练指标、、、工作过滤、、、评价器选择和课程天生方式的作用。！！

首先是纠错提醒。！！Ｊ褂 Qwen3-VL-8B 在 200 个天生工作上做 rollout，，，若是不参与前一次失败的 hint，，，屡次尝试总成功率为 52.0%；参与纠错提醒后，，，总成功率提升到 77.0%。！！ass@3 也从 49.0% 提升到 72.5%，，，均匀每次尝试步数从 18.4 降到 17.2。！！

论文 Table 3：：纠错提醒 rollout 消融

这注明，，，屡次尝试之所以有效，，，并不是由于模型随机采样更多，，，而是由于反馈在统一工作的屡次尝试之间累积起来，，，形成了可复用经验。！！

其次是训练指标。！！Ｂ畚谋攘α no-hint SFT、、、hint SFT 和 hint-contextualized GRPO。！！Ａ司窒允荆，，no-hint SFT 成效较弱，，，甚至可能低于基线；参与 hint 后 SFT 有提升，，，但带 hint 高低文的 GRPO 在 200 和 900 工作设置下都最好。！！900 工作时，，，hint-contextualized GRPO 达到 50.9% AndroidWorld Pass@1。！！

论文 Table 4：：训练指标消融

第三是工作过滤。！！Ｂ畚姆⑾郑，，最佳战术并不是去掉失败工作，，，而是去掉当前模型已经全数成功的 mastered tasks，，，保留全失败和部门成功工作，，，再用步骤级反馈从中复原合理部门作为。！！６杂Φ某晒β柿煊蚴 [0.0, 0.9]。！！

论文 Table 5：：工作级成功率过滤消融

第四是评价器模型。！！obileGym-Critic 中 final-decision model 使用 Gemini 2.5 Pro 时了局最好，，，但即便换成 Qwen3-VL-8B 作为决策模型，，，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%。！！Ｕ庾⒚ MobileForge 的反馈到优化闭环并不齐全依赖某个特定闭源评价器。！！

论文 Table 6：：MobileGym-Critic 模型消融

第五是课程 grounding。！！Ｒ Broccoli 工作为例，，，只基于 landing screen 天生工作会过度集中在菜谱创建、、、编纂和删除等首页可见职能上，，，其中菜谱删除占 27.3%。！！６谒髑蠊旒５ MobileGym-Curriculum 能覆盖购物清单、、、烹饪助手、、、炊事打算、、、设置、、、媒体分享等更宽泛职能。！！

论文 Table 7：：分歧的工作挖掘步骤职能覆盖对比（以 Broccoli 为例）

案例：：学会在反复 UI 流程中维持工作意图

论文给出了一个 AndroidWorld 案例：：工作要求在 Pro Expense 中删除三项支出，，，别离是 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迷失工作流，，，反复打开和关闭侧边栏，，，无法持续实现渣滓删除。！！＞ MobileForge 适配后，，，ForgeQwen3-8B 能沿着统一 App 的删除模式陆续处置多个项目，，，最终完玉成数删除。！！

论文 Figure 7：：AndroidWorld ExpenseDeleteMultiple2 案例对比

这个案例很典型。！！obileForge 提升的并不是单次点击能力，，，而是在 App 特定流程中维持工作意图、、、复用操作模式、、、预防反复谬误的能力。！！

论文还做了 tag-wise failure-rate reduction 分析。！！Ａ司窒允荆，，MobileForge 在 verification、、、search、、、complex UI、、、screen reading、、、repetition、、、information retrieval 等与 App grounding 强有关的能力上提升显著。！！Ｓ氪送保，，game-playing、、、multi-app、、、memorization、、、math-counting 等工作依然较难，，，注明当前系统在长程状态、、、跨 App 协和谐非尺度工作规定方面还有改进空间。！！

论文 Figure 8：：AndroidWorld 分歧工作标签下失败率降落热力争

MobileForge 提出的不只是一种无标注适配步骤，，，更是一套面向 GUI Agent 的数据飞轮：：Agent 在真实 App 中索求职能，，，MobileGym 将交互轨迹转化为工作和层级反。！！，，，HiFPO 再把成功、、、失败与纠错提醒沉淀为 step-level 战术更新信号。！！

在这套闭环里，，，数据不再依赖人为写工作、、、录演示、、、标嘉奖，，，而是来自 Agent 与指标 App 的持续交互。！！Ｃ恳淮纬⑹、、、失败和修改，，，都有机遇成为下一轮优化的燃料。！！

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

世界杯落败愿赌服输 挪威航空将头像换成英航标志