Gli agenti di intelligenza artificiale capaci di operare autonomamente su applicazioni mobili apprendono principalmente tramite pratica, ma i dati necessari sono spesso custoditi da grandi aziende. Questa dipendenza ha lasciato i modelli open‑source indietro rispetto a quelli proprietari, come sottolineato da ricercatori dell’Università di Nanchino, della società AI SenseTime e di altre istituzioni accademiche.
OpenMobile‑2 rappresenta il loro tentativo di colmare il divario. Il team ha rilasciato due modelli di agente, entrambi basati sui grandi modelli linguistici Qwen: uno con 9 miliardi di parametri (Qwen3.5) e l’altro con 27 miliardi (Qwen3.6). Insieme al codice, ai dati di addestramento e alle istruzioni dettagliate, è stato pubblicato l’intero ambiente di simulazione, consentendo a chiunque di replicare i risultati.
Perché ricostruire 110 app supera l’addestramento su app reali
L’addestramento su applicazioni reali è complesso: richiede login, acquisti reali e non offre un modo semplice per azzerare lo stato dell’app, rendendo il processo costoso e poco ripetibile. Per superare questi limiti, i ricercatori hanno ricostruito 35 app popolari in Cina — tra cui Taobao, JD, DiDi e Meituan — e hanno aggiunto servizi globali come Slack e Google Drive. Integrando queste ricostruzioni con simulazioni esistenti e app in esecuzione su un emulatore Android, hanno creato un “campo di pratica” che copre più di 110 applicazioni.
Le versioni ricostruite sono state confrontate da revisori umani con le originali; il confronto è stato iterato finché workflow e interfacce non sono risultati praticamente identici. Ordini, budget e piani di viaggio rimangono coerenti tra sessioni diverse e i dati possono fluire tra le app tramite gli appunti. Ogni simulazione si resetta automaticamente allo stato iniziale, mentre l’agente riceve solo screenshot, senza accesso a dati interni, replicando fedelmente l’esperienza di un utente reale.
Da questo setup sono stati generati circa 11 600 workflow esemplificativi e più di 2 000 compiti di pratica, tutti dotati di controlli automatici di successo.
Il ruolo del modello insegnante
Per creare gli esempi di addestramento, i ricercatori hanno usato Google Gemini 3.1 Pro come modello insegnante. In pratica, OpenMobile‑2 apprende da un sistema chiuso, ma lo fa in un contesto completamente open‑source.
Risultati su benchmark reali e virtuali
Sia il modello da 9 B che quello da 27 B mostrano miglioramenti significativi sui benchmark consolidati. Su AndroidWorld, il modello più grande è salito da 67,1 a 79,9 punti, mentre il più piccolo è passato da 54,3 a 74 punti. Per confronto, OpenMobile‑1 aveva ottenuto 64,7 punti sullo stesso test.
Il benchmark più impegnativo, MobileWorld, che include compiti lunghi e multi‑app, vede il modello da 27 B migliorare da 35,9 a 50,4 punti.
Il salto più marcato si osserva su dispositivi Android reali: il modello grande ha scalato da 31,9 a 59,6 punti su SPA‑Bench, registrando il punteggio più alto tra tutti i modelli open‑source.
Importanza della diversità delle app rispetto al volume di dati
Un esperimento chiave ha mantenuto costante la quantità totale di dati di addestramento, variando solo il numero di app su cui l’agente è stato addestrato. L’aumento della varietà di app ha portato il tasso di successo su app non viste a passare dal 60,7 % al 67,5 %. Con lo stesso budget di dati, la varietà supera nettamente l’aggiunta di esempi aggiuntivi da poche app.
Dopo la fase di addestramento ibrido, i modelli risolvono i compiti con gli strumenti integrati più frequentemente e con meno passaggi, dimostrando una maggiore efficienza.
Apprendimento per rinforzo e comandi diretti
Il rinforzo applicato al termine dell’addestramento ha prodotto solo guadagni limitati, principalmente in ambienti simili a quelli di training. In AndroidWorld, il modello più grande ha addirittura registrato una leggera flessione, passando da 80,8 a 79,9 punti.
Una parte sperimentale dello studio ha introdotto comandi diretti in più di 50 app simulate (ad esempio “add to cart”). Questi comandi consentono all’agente di saltare la navigazione a menu, ma senza un addestramento specifico l’agente tende a ignorarli. Una volta addestrati, i comandi diretti aumentano il tasso di completamento del 10,3 % e riducono di circa cinque i passaggi necessari.
Durante la fase di apprendimento per rinforzo, l’uso di strumenti ha ricevuto un “bonus” quando una sessione includeva almeno un comando diretto, sebbene il premio finale dipendesse comunque dal completamento reale del compito. Penalità venivano applicate quando l’agente segnalava falsi successi.
Benchmark personalizzato
Il team ha creato un benchmark interno con 215 compiti, quasi la metà dei quali richiedono l’interazione con più app. Il completamento non è valutato da un modello di linguaggio, ma da un programma che confronta i dati memorizzati dall’app prima e dopo l’esecuzione. È stata verificata una minima sovrapposizione tra i compiti di training e quelli di test.
Confronti con altri approcci
Nel 2025, Microsoft Research aveva classificato gli agenti basati su API come più affidabili e gli agenti GUI come più flessibili, indicando le app mobili come esempio tipico di interfacce esterne inesistenti.
Oppo ha invece sviluppato l’agente open‑source X‑OmniClaw, che opera su dispositivi reali e riproduce percorsi mostrati in precedenza in app come Taobao o Meituan usando deeplink anziché cliccare manualmente.
Tra i modelli chiusi, Google ha integrato il controllo smartphone direttamente in Gemini 3.5 Flash, dimostrando che la competizione tra soluzioni aperte e proprietarie è sempre più intensa.