三端共用一个模型意味着什么
GUI 智能体这个概念不新，难点也不在「能不能看懂界面」，而在于看懂之后能不能把事做完。过去两年大多数工作停在单端：一个模型专门跑网页，另一个专门跑手机，桌面端再单独做一套。跨端往往靠外挂的适配层把不同来源的模型拼起来。
蚂蚁集团旗下研究团队开源的 UI-Venus-2 换了个做法：一套权重覆盖移动端、网页与原生桌面三类环境，语义理解、界面定位与动作生成共用同一个 checkpoint。
跨端的价值不只是省训练成本。更实际的一层是动作空间本身是共享的——点、输入、滚动、拖拽，三端在动作原语上没有本质差别，差别在界面渲染方式与控件分布。既然动作原语相同，真正需要跨端适配的是「在哪里点」而不是「怎么点」。这也解释了为什么这套模型把界面定位单独当作一项核心能力来训。
规模上给两个版本：9B 与 27B。9B 从 Qwen3.5-9B 初始化，采用宽松的开源许可，配 vLLM 与兼容接口、开 256K 上下文即可跑起来，官方还提供了让模型先思考再动作的解析器。权重与评测基础设施一并放出。
两级验证：这篇技术报告里最值得抄的部分
把成绩单放一边，这份技术报告里对工程团队最有参考价值的是一处设计选择：验证被拆成了两层。
轨迹级验证从任务目标里抽出可验证的完成点，把整条轨迹判成完成、部分完成、不可行或失败四档。样本级验证在每一步动作执行之前就判断这一步对不对，区分正确、探索、无效与错误。两层信号再经多个异构模型投票汇总，用来给强化学习提供奖励。
为什么非要做两层？因为传统做法只看「最后成没成」。这个判据在基准里够用，在训练里会出问题：部分完成很容易被当成成功，于是模型学到的是「把界面推到看起来差不多的状态」，而不是「把任务真正做完」。作者的说法很直接——粗糙或脆弱的验证器会把部分进展误判为真正完成，这正是很多 GUI 智能体在榜单上好看、一上线就崩的根因。同时，过于粗的奖励信号本身也会被策略利用。
把这条经验抽出来是通用的：凡是靠强化学习提升的智能体能力，奖励信号的判定粒度决定了模型学到什么。粒度粗，模型学到的目标就和人以为的目标不是一回事。
训练分三步，融合靠的是动作感知监督
这套模型的训练流程可以概括为三段：先用大规模交互轨迹做中期训练，给模型打 GUI 理解的底子；再针对不同场景做离线强化学习，逐个强化移动端、桌面、网页、验证码与界面定位几项能力；最后用多教师在线蒸馏把各领域的专家模型融回一个统一模型。
三步里最需要说明的是第三步。把多个领域专家融进一个模型时，常见问题是能力互相打架——强化了桌面能力，网页能力反而掉。这里采用的策略叫动作感知监督：只对真正影响结果的动作 token 加重监督。动作类型对但参数错，就加强参数区间；类型本身错，就重点优化类型那几个 token。推理过程本身不白费力气去拟合。
这个做法的隐含前提是，它能区分「动作类型错」与「动作参数错」。这需要前面的两级验证先提供足够细的信号，两处设计是配套的。
成绩单与它的读法
厂商自报的数值里，9B 在网页导航基准上拿到 90.8%，比对照的通用模型高出一截；移动端五十步任务成功率 65.8%，同项也高于对照；桌面基准 70.8%，反而略低于对照。27B 把上限继续推高，网页导航到 93.4%，移动端基准 84.0%，长程桌面工作流 55.5%，并在五项验证码基准上取得领先。
这组数字里最值得注意的恰恰是那处落后的项目。9B 在桌面基准上不如更大的通用模型，说明能力不是全面反超，而是分端有别。这与专项训练数据的分部吻合：移动端与网页端的公开任务与轨迹更多，桌面端的长程工作流样本更稀缺。
还有一个解释值得记下来。9B 能在部分跨端任务上超过参数大得多的通用模型，不是因为小模型更聪明，而是因为 GUI 任务的动作空间有限。模型需要学的不是通用推理，而是看准控件、走对流程这两件相对专门的事。一旦用专项数据把这两件事训扎实，参数量带来的边际收益就下降了。对端侧部署来说这是个好消息：更小的模型意味着可以在手机与浏览器扩展里实时跑，不必每次都把截图送回云端。
配套的执行侧与安全侧
榜单之外的配套更能说明落地意图。团队同时开源了两套执行框架：一套把模型部署成自主移动智能体，预置四十多个主流中文应用，支持多设备并行与轨迹回放；另一套是跑在浏览器扩展里的网页智能体，接上兼容接口的视觉模型后，可以在授权范围内执行真实网页任务。
安全侧公布了两组桌面安全基准的结果：9B 把攻击成功率压到 11.3%；27B 在另一项越界基准上为 47.9%。作者的说法是能力越强越需要把边界守住。这里有一处需要留意：同一方法在两个基准上的对抗结果差距很大，说明现有安全评测的难度分布并不均匀，单看一个数容易得出过于乐观的结论。
另外，报告提到「安全感知机制」用于约束有后果的动作，但未展开具体实现。这部分尚缺细节。
想自己试跑一遍，门槛在哪
对想动手的团队，推理侧的门槛并不高：9B 版本从 Qwen3.5-9B 初始化，采用宽松的开源许可，配 vLLM 与兼容接口、开 256K 上下文就能跑，官方还给了让模型先思考再动作的解析器。想接真实设备，再叠上移动执行框架或浏览器插件。
真正高的门槛在训练侧。三阶段流程里的中期训练需要大规模交互轨迹，离线强化学习需要一套能自动判定成败的环境，多教师蒸馏还需要先把各领域专家训出来。报告给出的细节足以让人理解方法，但不足以照着复现一遍——这也是这类技术报告的常态。
比较务实的路径是反过来用：先拿开源权重在自己的应用上跑一轮，量出真实成功率与失败类型；如果失败集中在某一类界面上，再考虑用自建轨迹做少量微调。先测后训比先训后测省得多，因为自建轨迹的采集与标注本身就很贵。
还有一点值得提醒：验证器比模型更难做。两级验证之所以有效，是因为它把「部分完成」单独拎成了一档；而要为自家业务定义这一档，需要有人先写清楚什么算完成。这件事没有开源模型可以代替。
需要标注的边界
其一，全部基准成绩为厂商自报，尚未见第三方独立复现。报告本身也说明了不同来源的动作脚手架可能存在差异。真上线前应在自己的应用上实测。
其二，跨端能力不等于零配置。它依赖真机或浏览器环境，接入需要部署执行框架并处理设备或扩展的权限。
其三，验证码基准上的领先与「能自动过验证码」不是一回事。基准测的是识别与操作能力，实际场景中的合规边界由各平台规则决定。
其四，涉及转账、删除、对外发送这类关键动作，报告的立场仍然是建议人工确认。
其五，对想要复现的团队，9B 版本门槛不高，但两级验证与多教师蒸馏的完整复现成本远高于推理成本，报告给出的训练细节不足以直接照搬。
目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。