霸榜SOTA，蚂蚁开源UI-Venus-1.5，GUI智能体办事时代加速到来
GUI 智能体最近卷到什么程度了？
Claude、OpenAI Agent 及各类开源模型你方唱罢我登场，但若真想让 AI 成为 「能在手机和网页上稳定干活的助手」，仍绕不开三大现实难题：
「知识缺失」难题：基础大模型对 GUI 领域的认知依然薄弱 —— 生僻图标、小众应用的操作逻辑等需要补足。
「纸上谈兵」困境：离线训练数据与真实交互环境存在鸿沟，离线看似合理的动作，一到在线任务就翻车。
「多模型协同」障碍：尽管视觉定位、任务规划等领域专家模型各有突破，但多模型协作往往依赖复杂框架，协同成本高。
现在，蚂蚁带来 UI-Venus-1.5：一个遵循「高性能，实战派」设计理念的端到端 GUI 智能体。单个模型即可统一处理定位（Grounding）、移动端（Mobile）与网页端（Web）三大场景，全面支持 40+ 主流中文 App，让 AI 真正走进用户生活。
报告标题：UI-Venus-1.5 Technical Report
技术报告：https://arxiv.org/abs/2602.09082
代码：https://github.com/inclusionAI/UI-Venus
模型：https://huggingface.co/collections/inclusionAI/ui-venus
主页链接：https://ui-venus.github.io/UI-Venus-1.5/
UI-Venus-1.5 构建了一条清晰、系统的训练路径：
通过中期训练（Mid-Training）系统性补足大模型在 GUI 领域的知识短板；利用在线强化学习（Online RL）弥合离线训练与在线执行之间的鸿沟；最终采用模型融合（Model Merge）集成多个领域专家模型的能力。
01 中期训练（Mid-Training）：
30+ 数据源、10B tokens 锻造 GUI 原生大脑
通用视觉语言模型（VLM/MLLM）并不天然理解 GUI。面对高度结构化、蕴含复杂交互逻辑的用户界面，它们往往缺乏「原生表征能力」—— 看得到，却看不懂；能描述，但不会用。
因此，UI-Venus-1.5 战略性地引入中期训练（Mid-Training）阶段，旨在将通用的 VLM 逐步锻造为真正「懂 GUI」的原生基础模型。UI-Venus-1.5 构建了一个全面、统一的 GUI 中期训练语料库：
整合 30+ 公开及内部数据源（包含 Mind2Web、ShowUI、AITW 等），总规模高达 10B tokens。
精心设计了任务策略平衡，覆盖语义感知、GUI-VQA、元素定位、导航推理等关键维度。
这一阶段的目标并非追求「看起来会操作」，而是系统性地塑造四项核心基础能力：
精准的导航与定位：建立从自然语言指令到界面动作或坐标的端到端精确映射。
严谨的顺序推理：学习将高层目标分解为逻辑清晰、可执行的子步骤。
GUI-VQA：理解控件语义、功能描述与复杂的布局逻辑。
敏锐的精细感知：无需 OCR 即可识别图标、检测控件状态和理解视觉提示。
02 打造领域专家（Offline RL）：
驱动 Grounding / Mobile / Web 专项突破
UI-Venus-1.0 通过在高精领域数据 RFT 技术路线，在定位（Grounding）和移动端导航（Mobile Navigation）两大领域达到了 SOTA 水平。UI-Venus-1.5 在继承该技术路径的基础上，进一步优化专家模型的设计与应用方式：
定位能力：UI-Venus-1.0 在目标元素不存在时会猜测定位，虽在 ScreenSpot-Pro、UI-Vision 等基准上得分高，但易引发「幻觉」。为此，UI-Venus-1.5 引入了关键的「拒答」能力。当模型判定目标元素不存在时，将明确返回 [-1, -1]，表示无法定位。
通用导航能力：为统一移动端与 Web 端操作，UI-Venus-1.5 扩展动作空间，新增鼠标悬停（Hover）、双击（DoubleClick）和快捷键（Hotkey）以适配 Web 交互，同时提供移动端 - 中 / 英文、Web 端 - 英文等场景的优化 Prompt 模板，实现跨语言的高效适配。
03 在线强化学习（Online RL）：
从「动作做对」到「任务完成」
在 Mid-Training 和 Offline-RL 阶段，模型在单步动作（Action-level）准确率上已取得显著提升。然而，端到端的轨迹级（Trace-level）任务成功率却并未同步增长。
根本原因在于，这两个阶段的训练信号聚焦「动作是否正确」，而非直接优化「任务是否完成」—— 两者通常正相关，但并不等价。尤其在数据有限时，动作准确率易与任务成功率脱节，导致「动作对、任务错」的精度错配现象。Mid-Training 和 Offline-RL 主要优化 Action-level 的监督信号或回报，缺乏对 Trace-level 成功的直接对齐。因此，单步动作的准确累积，并不必然导向整体任务的完成。
UI-Venus-1.5 引入在线强化学习（Online RL），聚焦移动端与 Web 端核心场景，借鉴 T-GRPO 等思路，在真实环境中执行完整轨迹 Rollout 与奖励计算，以「任务是否成功」作为核心优化目标。
04 模型融合（Model Merge）：
一个模型，贯通 Grounding / Mobile / Web
当前很多 GUI Agent 采用「多模型协同」路线，即针对不同功能或场景训练独立的专家模型。虽能短期提升单项性能，一旦落地，往往演变为复杂的协同框架，成本激增。
UI-Venus-1.5 采用「先分后合」策略：先分别训练 Grounding、Mobile、Web 三个领域的专家模型（基于 Offline-RL 和 Online-RL），将各自能力练至极致，再通过 Model Merge 技术融合为统一的端到端模型，以降低部署成本，并在合并中最大限度保持各领域性能。
为克服线性合并的局限，UI-Venus-1.5 采用更稳健的 TIES-Merging 技术，即 「先筛选，再合并」。该方法成功融合出统一模型，在 ScreenSpot-Pro、AndroidWorld 和 WebVoyager 三大跨领域基准上，实现了更均衡、更高效的多能力整合。
05 DaaS：
一个入口管理所有设备，构建大规模在线训练环境
实践 Online-RL 才发现：瓶颈往往不在算法，而在异构设备环境 ——Android、浏览器、容器使用不同协议（ADB/CDP/SSH），叠加网络隔离与安全限制，直接对接难以维护。
为此，蚂蚁集团搭建了统一的设备即服务（DaaS）层：
统一协议：将 ADB、CDP 等封装为可扩展插件，上层按需调用。
高并发稳态：基于内部二次哈希路由与协程并发模型，支撑大规模设备长连接与高频请求。
开箱即用：配套多语言 SDK，封装认证、设备申请 / 释放与常用操作。
依托 DaaS 的强大能力，上层训练框架得以像调用标准服务一样灵活使用设备资源 —— 千台级异构设备稳定接入，支持超千并发的在线强化学习任务，高效支撑 UI-Venus-1.5 的大规模在线训练与真实场景部署。
06 全方位评测：
真实与标准环境双重验证
为全面评估 UI-Venus-1.5 的通用性与鲁棒性，评测覆盖三大维度：
Grounding 能力（7 个基准）：
在 VenusBench-GD、ScreenSpot-Pro、UI-Vision 等标准测试集上，UI-Venus-1.5 相比 1.0 版本显著提升，且全面超越同规模模型。
Mobile 端 + Web 端 (在线真实环境):
在 AndroidWorld、AndroidLab、VenusBench-Mobile 真实场景中，UI-Venus-1.5 于多样化 GUI 智能体任务上均取得了全面 SOTA 的性能。
07 适配 40+ 主流中文 App，融入日常数字生活
UI-Venus-1.5 同时深度聚焦中文用户的真实使用习惯，全面支持 40 余款主流中文应用，涵盖出行、社交、娱乐、购物、生活服务等核心场景，真正实现「听得懂指令、看得清界面、做得对操作」。
无论是「在高德里叫一辆去景区的快车」、「在携程订明天北京到上海的机票」、「把这条微博转发并附评论」，还是「在网易云播放陈奕迅的最热歌曲」，UI-Venus-1.5 均能在真实设备环境中精准理解用户意图，并流畅、准确地完成各类操作。不依赖虚构演示，而是直接运行于用户每日高频使用的 App 中，直面现实场景中的任务挑战。这标志着 UI-Venus-1.5 向成为真正「可用的智能助手」迈出了关键一步。
Task 1: 打开七猫免费小说，将小说脑洞榜前三名都加入书架
Task 2: 打开微博，搜索杭州天气，并根据天气进行评论
Task 3: 打开喜马拉雅，帮我播放疯狂动物城2，设置列表循环播放
结语：UI-Venus-1.5 的路线更像「产品化 GUI Agent」的正确打开方式
UI-Venus-1.5 的价值不在单项指标的炫技，而在于构建了一个更可训练、可部署、可扩展的端到端系统：
中期训练夯实 GUI 原生能力
领域后训练专精 Grounding/Mobile/Web
在线强化学习提升最终任务成功率
模型融合实现单模型跨域通用
UI-Venus-1.5 致力于打造能在手机 / 网页上稳定干活的 AI 助手！
