北京2025年10月6日 /美通社/ — 2025年，Agent無疑是AI圈的熱詞。行業普遍認為：真正有用的Agent，必須學會使用手機和電腦，像人一樣操作GUI。
近日，中國企業級大模型與數據智能企業——明略科技推出的專有GUI大模型 Mano在行業公認的Mind2Web和OSWorld兩大基準測試中，均取得了創紀錄的SOTA成績。通過在線強化學習和訓練數據自動採集兩大核心創新，Mano為GUI智能體領域提供了一套可擴展、可持續進化的新範式。
Mano在OSWorld-Verified榜單的Foundation E2E GUI & Specialized Model評測中取得SOTA。
榜單鏈接：https://os-world.github.io/
技術報告鏈接：https://www.mininglamp.com/news/6394/
關鍵突破：
1．Mind2Web：Mind2Web覆蓋137個網站、2350+真實任務，旨在考察智能體能否在複雜多變的DOM結構裡精準找到目標元素，並完成整個操作鏈。Mano展示出「看得準、做得成」的核心優勢。
技術報告顯示，Mano的元素精度 (Ele.Acc）和步驟成功率（Step SR）指標遙遙領先，在準確識別、定位界面元素，以及成功執行多步任務能力上達到新高度。Mano的操作F1 (Op.F1) 指標與此前頂尖模型持平甚至略高，能夠真正將複雜任務轉化為成功的操作序列。
2. OSWorld-Verified：更難的挑戰來自桌面端。OSWorld-Verified涵蓋了369個跨應用任務，覆蓋10類應用，包含瀏覽器，辦公軟件等多個類型，每一個操作都和真實桌面場景無縫對接。
技術報告顯示，在OSWorld-Verified榜單的Foundation E2E GUI & Specialized Model 評測中，Mano直接把成功率提升到 41.6±0.7%，超過qwen、GUI-Owl、opencua等模型。
技術創新：
亮點一：首次提出「在線強化學習」
自DeepSeek橫空出世以來，GRPO已經成為強化學習黃金範式。現有的模型訓練大多局限在離線強化學習的範疇，深度依賴事先收集好的數據集。但在GUI交互智能體領域，任何操作都與真實的系統交互環境密切相關。
因此，Mano在GUI交互領域首次提出「在線強化學習」的訓練範式，並推出訓練數據自動採集的「探索器」，讓智能體時刻依賴最新數據進行學習，並在「嘗試新的行動以獲取信息」和「基於已有知識採取最優行動」之間取得平衡。
為了在真實的交互環境中不斷強化以提高適應性和靈活性，明略科技建立了一個模擬環境池，包括瀏覽器環境（BUA）和桌面環境（CUA），讓模型在真實交互中採集更多樣化的環境數據，彌補了離線軌跡分佈稀疏的局限性，最終在多樣化的Web GUI場景中展現出更強的魯棒性。
同時，採用在線採樣 + 離線過濾的創新方式：先收集軌跡，再過濾噪聲數據，動態調節任務難度分佈，有效避免了因失敗軌跡導致學習效率低下的問題。
消融實驗結果顯示，加入在線強化學習後，模型在OSWorld-Verified數據集的平均分數產生了質的飛躍，相比離線強化學習的模型結果提升了 7.9，達到 41.6。
亮點二：智能探索，採集真實環境軌跡
儘管大模型能夠理解籠統的指令，但在多步驟操作的目標驅動型任務中，往往無法將大目標分解為具體的執行步驟。因此，研發人員需要為交互任務構建專用的模型和智能體。在這一過程中，海量的高質量交互軌跡數據不可或缺。過去，這類數據往往需要人工構建或標注，成本高、耗時長。對此，明略科技設計了訓練數據自動採集的方法，從根本上提升了數據收集的效率和準確性，這正是Mano的第二大創新。
明略科技搭建了一個可擴展的虛擬環境集群，用於模擬多種交互場景。針對每個目標應用，大模型自動生成目標清單，並對目標進行優先級排序，過濾掉使用頻率極低的功能，為後續探索提供明確的上下文指導。
元素提取方面，明略科技為網頁環境定制了Chrome插件「Mano-C」，全面提取網頁中的交互元素，捕捉其空間坐標與語義屬性。針對桌面環境，技術團隊則採用A11y Tree解析與 OmniParseV2協同過濾的方法，確保覆蓋更多交互元素。
數據標注方面，明略科技利用大模型為每個提取的元素生成語義標籤、功能描述，以及交互類別，形成結構化的語義對齊數據，為後續訓練提供有效監督。
為了提升數據採集的智能程度，技術團隊設計了基於Prompt的探索模塊，用於智能選擇交互元素，並引入顯式約束，避免路徑循環和冗余分支。在探索過程中，採用深度優先搜索（DFS）策略，系統會截取截圖並保存帶註釋的交互數據。完成探索後，通過軌跡評估機制，篩選出高質量的交互序列。整個過程不斷循環，每一步都會檢查是否達到最大探索深度。
Mano的SOTA表現，得益於明略科技多年來在大模型領域的積累。2024年，明略科技的超圖多模態大語言模型（HMLLM）和Video-SME數據集在腦電圖、眼動等非標模態數據處理領域取得顯著突破，榮獲ACM MM 2024最佳論文提名。2025年，明略科技推出企業級商業數據分析可信智能體DeepMiner，Mano作為DeepMiner的自動化執行引擎，讓智能體真正學會了「看」與「點」，在複雜的軟件與瀏覽器環境下實現了精細化操作。展望未來，明略科技將進一步優化Mano在應用和端側部署能力，加速企業智能化轉型進程。
