OpenMobile-2: Отворен 8-милиарден модел се конкурира с водещите комерсиални решения при управление на мобилен интерфейс
Източник: The Decoder / OpenMobile Research
Консорциум от независими изследователи представи OpenMobile-2 – компактен мултимодален модел с отворен код с 8 милиарда параметри, способен да управлява смартфони със същата точност като затворените гиганти от класа на GPT-4o и Claude 3.5 [1]. Проектът бележи преломен момент за развитието на агентите за мобилен графичен интерфейс (Mobile GUI Agents).
Досега опитите за автоматизация на Android (Android Automation) чрез малки локални модели се сблъскваха с висок процент на грешки при навигация в нестандартни менюта и изскачащи диалогови прозорци. OpenMobile-2 преодолява този лимит чрез иновативен двустепенен механизъм за заземяване на потребителски интерфейс (UI Grounding), който съчетава анализ на визуалните пиксели с директно парсване на системното дърво за достъпност (Accessibility Node Tree).
Интелигентно декодиране на жестове и координатна точност
Моделът е обучен върху масив от над 4 милиона реални сесии за изпълнение на мобилни задачи: поръчка на храна, резервация на полети, банкови преводи и настройка на системни параметри. В тестовия бенчмарк AndroidWorld OpenMobile-2 постига 91.4% успеваемост, изпреварвайки редица модели с над 70 милиарда параметри.
Основните технически предимства на модела включват:
- Компактен отпечатък за локално изпълнение: Като локален езиков модел (Edge LLM) OpenMobile-2 заема едва 4.2 GB оперативна памет след 4-битово квантуване (INT4), позволявайки гладка работа директно върху флагмански смартфони.
- Справяне с динамични интерфейси: Системата автоматично изчаква зареждането на анимации и разпознава капчи или грешки в мрежовата връзка.
- Нулева зависимост от облака: Пълната обработка се извършва на устройството, гарантирайки, че личните пароли, финансови данни и лични съобщения никога не напускат телефона.
Дългосрочни системни и пазарни последици
Успехът на OpenMobile-2 заплашва модела на приходите на мобилните платформи и магазините за приложения. Традиционно Google и Apple упражняват строг контрол върху потребителското преживяване чрез правилата на своите екосистеми и таргетираните рекламни банери вътре в приложенията.
В дългосрочен план появата на локални GUI агенти ще трансформира смартфоните в напълно автономни секретари. Потребителите вече няма да отварят отделни приложения, за да сравняват цени или да попълват форми; те просто ще задават гласова инструкция, а моделът ще извършва необходимите действия във фонов режим. Това обезсмисля показването на реклами в междинните екрани и отваря вратата за напълно нова софтуерна архитектура, базирана на безглави (headless) операционни системи.
Четири ключови технологии, позволяващи 8B модел да управлява Android приложения с 91% точност