还在眼馋各家厂商发布会上“动动嘴就能操纵手机”的 AI 饼？阿里直接干了票大的。

最近，阿里巴巴基于 Qwen 3.5 基础模型，推出了一款专门用来操作手机和电脑界面的 GUI（图形用户界面）智能体——Qwen-UI-Agent。这家伙简直就是个完美的“赛博牛马”，不仅能看懂屏幕，还能像真人一样在各种 App 里点点点，查找信息甚至跨设备协同。

跑分狂魔，凭什么是“最强操作员”？

别看它的主力版本参数量只有 27B（属于中等体量），但在核心的 GUI 基准测试里，Qwen-UI-Agent 直接拿下了 6 项测试中的 5 项第一，把 GPT-5.6 Sol、Claude Opus 4.8 给按在地上摩擦，也赢过了字节此前发布的同类模型。

之所以能这么顶，是因为阿里团队发现了一个极其痛点的问题：目前的智能体都有严重的“温室病”。 很多模型在干净的沙盒模拟器里跑分贼高，但一丢到真实的中国 App 环境里，面对无穷无尽的弹窗广告、深层入口、防不胜防的 UI 诱导，由于无法像真人那样灵活判断，性能瞬间就会大跌。

为了治好这个病，阿里团队心一横，直接搭了个包含 100+ 台真实手机、150+ 真实应用的“魔鬼军训场”。AI 要在这里面对真实的账号状态、网络卡顿和全屏广告。经过多轮强化学习（RL），模型在这场“大逃杀”中硬生生练出了一身见招拆招的本领。

跨设备直连：打工人的梦中情机

除了能在手机里帮你找找附近评分最高的咖啡馆，Qwen-UI-Agent 的杀手锏在于主动作业和跨端协作。它甚至可以主动“视听”设备状态，比如看到你的航班刚好弹出个“取消通知”，它能自动嗅到危险，帮你拉出备选方案。

遇到复杂的任务链，它还能把跨设备任务串成工作流：在手机上看完的消息、收集的数据，能无缝流转到电脑端继续操作，配合它自带的代码执行（CLI）能力，跨网站调研比价、填表都不在话下。

在动作执行过程中，它还进化出了“先检查、再交卷”的习惯，会自己回头确认上一部的操作到底有没有成功，大幅度减少了以往 AI 容易陷入的“无意义死循环”和“假成功”。

安全底线：懂事得让人心疼

能力越大，破坏力可能也越大。很多人自然会担心：AI 会不会乱点导致我破产，或者在微信群里发疯导致我社死？

放心，Qwen-UI-Agent 植入了极强的安全判断机制。对于涉及违法或高风险的“离谱要求”，它一步都不会做，直接拒绝；而只要涉及转账付钱、删除重要文件、涉及隐私授权时，它都会主动停下来，乖乖弹窗向你说明情况，等你亲手点击“确认”后才敢继续往下走。

【编辑观察】 现在的“AI 手机”大多需要底层系统的接口支持，或者是特定 App 开后门适配。而 Qwen-UI-Agent 这种纯 GUI 智能体走的是最吃力、但也最自由的路线：把自己当成一个有视力、有手指的真实人类。只要是人能用的 App，它就能“物理外挂”般地去操控。尽管距离彻底实装商用还有距离，但这无疑让我们看到了真·通用 AI 助理的曙光。赛博牛马都在日夜挨真机军训了，离咱们真正躺平只动嘴皮子的日子还会远吗？