Mobile-Agent-v3.5 - Alibaba Tongyi がオープンソース化した、マルチプラットフォーム対応の GUI エージェント フレームワーク。

Mobile-Agent-v3.5とは何ですか？

Mobile-Agent-v3.5は、Alibaba Tongyi Labsがオープンソース化した新世代のマルチプラットフォームGUIエージェントフレームワークであり、オープンソースGUIエージェントが「デモンストレーションレベル」から「エンジニアリング対応レベル」へと移行したことを示すものです。このフレームワークは、デスクトップ、モバイル、ブラウザプラットフォームをネイティブにサポートし、Android、Ubuntu、macOS、Windows間での自動操作を可能にします。付属のGUI-Owl-1.5モデルファミリーは、2Bから235Bまでのマルチパラメータスケールを提供し、Instruct（軽量かつ低遅延）とThinking（強力なプランニングとリフレクション）の2つのバリアントを分離し、エッジからクラウドまでのエンドツーエンドの展開をサポートします。Mobile-Agent-v3.5は、OSWorld-Verified、AndroidWorld、VisualWebArenaなど、20以上の主要なGUIベンチマークにおいて、オープンソース分野で最先端（SOTA）の結果を達成しています。ハイブリッドデータフライホイール、統一思考連鎖合成、MRPOマルチプラットフォーム強化学習アルゴリズムという3つのコア技術を通じて、プラットフォーム間の行動空間の違いや長期タスクトレーニング中の不安定性といった課題を解決し、基盤となるベースモデルからエージェントフレームワークまで、コミュニティに完全なオープンソースの技術リファレンスを提供します。

Mobile-Agent-v3.5の主な機能

• クロスプラットフォームGUI自動化本ソフトウェアは、デスクトップ、モバイル、ブラウザという3つの主要プラットフォームをネイティブにサポートしており、Android、Ubuntu、macOS、Windowsなど複数のデバイス間で統一された制御と自動操作を可能にします。
• マルチパラメータモデルのカバレッジGUI-Owl-1.5モデルファミリーが付属しており、2B/4B/8B/32B/235Bの複数のパラメータスケールを提供し、エッジからクラウドまでのエンドツーエンドのデプロイメントソリューションをサポートします。
• デュアルモード推論アーキテクチャこれは、リアルタイム応答と複雑なタスクに対する高度な推論のニーズのバランスを取るために、Instruct（軽量かつ低遅延）とThinking（強力な計画と考察）という2つのバリアントを分離しています。
• 長期ミッション計画統合された思考連鎖合成技術を通じて、ツール／MCPの呼び出し、メモリ管理、知識検索、マルチエージェント連携などの機能を体系的に組み込み、複雑な長期タスクの実行を支援する。
• 高性能ベンチマーク性能OSWorld-Verified（56.5）、AndroidWorld（71.6）、VisualWebArena（46.6）など、20以上の主要なGUIベンチマークにおいて、オープンソース分野で最先端（SOTA）の結果を達成しています。
• マルチモーダルな知覚と理解視覚認識能力と意味理解能力を備えているため、インターフェース要素を認識し、操作意図を理解し、クリック、入力、スワイプなどの正確なGUI操作を実現できます。
• 強化学習の最適化MRPOマルチプラットフォーム強化学習アルゴリズムを採用することで、プラットフォーム間の行動空間の違いによって生じる勾配の競合を解消し、長期タスクの学習安定性を向上させる。

Mobile-Agent-v3.5の技術原理

• ハイブリッドデータフライホイールシミュレーション環境とクラウドベースのサンドボックスを組み合わせることで、高品質な接地データと長距離軌道を大規模に生成することが可能になり、実環境におけるデータ収集の高コストと規模の制限という問題を解決できる。
• 統一的思考連鎖合成このシステムは、ツール/MCPの呼び出し、メモリ管理、知識検索、マルチエージェント連携などの高度な機能を統合しており、モデルが長期的な計画、反省、自己修正能力を持つことを可能にしている。
• MRPOマルチプラットフォーム強化学習アルゴリズムプラットフォーム間の行動空間の違いによって生じる勾配の競合、および不安定なトレーニングや長期タスクにおけるクレジット配分の難しさといった課題に対処するため、複数のプラットフォーム間で統一されたトレーニングおよび最適化システムが実現された。
• GUI-Owl-1.5 ベースモデルネイティブなマルチモーダル理解モデルとして、2Bから235Bまでの完全なパラメータ範囲を提供し、視覚認識と意味推論のためのエンドツーエンドのGUIインタラクションをサポートします。。
• デュアルバリアントアーキテクチャ設計Instruct バリアントは低遅延シナリオ向けに最適化されており、Thinking バリアントは計画機能とリフレクション機能を強化しています。この 2 つのバリアントは独立した設計となっており、さまざまなアプリケーションシナリオのニーズに対応します。
• エンドツーエンドのトレーニングフレームワークこれは、データ生成とモデルトレーニングから強化学習の最適化まで、閉じたループを形成し、プラットフォームやタスクを横断した統一的な学習と転移学習をサポートします。
• オープンソースエコシステムとの互換性Qwen3シリーズのアーキテクチャ最適化に基づき、主流のAI開発エコシステムとの互換性を持ち、ModelScopeおよびHuggingFaceモデルリポジトリのワンクリックデプロイをサポートしています。

Mobile-Agent-v3.5 のプロジェクトアドレス

• GitHubリポジトリ：https://github.com/X-PLUG/MobileAgent

Mobile-Agent-v3.5のアプリケーションシナリオ

• スマートデバイスの自動化アプリの使用、情報の検索、設定の調整など、さまざまなタスクをスマートフォンで自動的に実行します。例えば、テイクアウトの自動注文、天気予報の確認、スケジュールの管理などが可能です。
• クロスプラットフォーム対応のオフィス支援サービスWindows、macOS、Ubuntuのデスクトップ上で、文書処理、メール送信、会議のスケジュール調整、データ入力といった反復的なオフィス業務を自動的に実行できます。
• ウェブページの自動テストブラウザ側での自動操作をサポートしており、Webアプリケーションのテスト、フォーム入力、データ収集、eコマースの価格比較などのシナリオに適しています。
• エッジAIアシスタントの展開軽量な2B/4Bモデルを活用することで、携帯電話、IoTデバイス、その他のエッジデバイス上で、低遅延のローカルGUI自動化アシスタントを実現します。
• エンタープライズプロセス自動化RPAの要件に沿って、ERPやCRMなどの企業システムのインターフェース操作を自動化することで、ビジネスプロセスの効率性を向上させます。
• アクセシビリティツール視覚障害者や身体機能に制限のあるユーザーが複雑なインターフェース操作を自動的に完了できるようにすることで、デジタル機器の利用における障壁を低減します。