阿里巴巴釋出 Mobile-Agent-v3.5：打通手機桌面與瀏覽器，20 多個基準拿第一

讓 AI 幫你幹活，最麻煩的往往不是指令有多複雜，而是要在不同的螢幕之間反覆橫跳。網頁上查到的資料，得手動貼進桌面辦公軟體；手機 App 裡的動態，電腦端又看不見。現在，阿里巴巴試圖把所有這些螢幕一把抓過來。

阿里巴巴釋出並開源了跨平臺圖形介面智慧體 Mobile-Agent-v3.5。驅動它的核心是全新的原生 GUI 基底模型 GUI-Owl-1.5 系列。這套模型基於 Qwen3-VL 打造，覆蓋了從極輕量的 2B 到龐大的 235B 引數規模，同時提供了 Instruct 和 Thinking 兩種版本，在 20 多個主流 GUI 基準測試中拿下了 SOTA。

手機、電腦與網頁串成一條線

傳統的自動化工具通常只能顧及一頭，要麼是個瀏覽器外掛，要麼依賴手機無障礙介面的指令碼。Mobile-Agent-v3.5 的邏輯則是端到端原生多模態，把桌面的 PC、掌心的移動端以及瀏覽器環境全部打通。

它將視覺感知、介面元素定位、多步邏輯推理、任務規劃與模擬點選操作收攏到一個模型框架下。在官方展示的任務中，它能跨應用完成極其連貫的操作。

比如讓它分別在 Edge 瀏覽器裡搜尋蘋果和輝達的最新股價，它查完會自動在後臺新建一個 WPS 表格，把公司名字填進 A 列，把抓到的股價填進 B 列。

在另一個場景裡，它能在旅行應用裡查詢指定日期的廣州到成都機票，找出最低價，接著切換到火車票檢索同一線路並進行價格對比；或者分別開啟小紅書和抖音上的同一個賬號，直接計算並彙總雙平臺的粉絲總數。

除了基礎的看螢幕和點按，這套系統還集成了長程記憶，並支援 MCP 工具呼叫協議，知道什麼時候該點介面、什麼時候該調後臺工具。

怎麼試，開放到什麼程度

阿里這次開源得相當徹底，GUI-Owl-1.5 的模型權重已經在 Hugging Face 上線，技術報告和程式碼也同步公開。

如果你不想在本地折騰部署，魔搭社群和阿里雲百鍊平臺已經上線了線上演示與 API。更務實的一點在於，它還接入了阿里雲無影雲手機和雲桌面環境，開發者甚至不需要自己找實體測試機，就能在雲端沙盒裡跑通移動端流程。

為什麼重要

我們認為，GUI 智慧體正在告別單點玩具的階段，走向通用的系統級底層。阿里這次最聰明的地方在於引數跨度的佈局。

下探到 2B 和 4B 的輕量版本，意味著未來完全有機會直接塞進端側裝置，做本地的即時操作；而 235B 的大版本則可以在雲端處理複雜的長鏈條跨端任務。不給每個平臺重複造輪子，而是用統一的多模態視覺基底來兜底，思路非常清晰。

對開發者和企業來說，這意味著跨系統的自動化工作流門檻驟降，不需要再針對不同的作業系統和解析度寫死指令碼。當然，這類操作型智慧體最大的挑戰從來不是跑通 demo，而是容錯率。只要在複雜的企業級介面上點錯一步，後續的鏈條就可能全部脫節。但無論如何，能把移動端、桌面端和瀏覽器串在同一個大腦之下，阿里巴巴已經拿出了目前最具實用價值的落地形態之一。