App-mangfold løftet suksessraten fra 60,7 til 67,5 prosent for OpenMobile-2

App-mangfold løftet suksessraten fra 60,7 til 67,5 prosent for OpenMobile-2

Et kinesisk forskerteam har åpnet hele oppskriften: to Qwen-baserte agentmodeller, et treningsmiljø med over 110 simulerte apper, datasettene og instruksjonene for å gjenskape alt. Men de åpne modellenes fremgang hviler på treningsdata generert av Googles stengte Gemini 3.1 Pro.

Et forskerteam fra Nanjing-universitetet, SenseTime og flere partneruniversiteter har utgitt OpenMobile-2, et åpen kildekode-prosjekt som trener AI-agenter for smarttelefoner. Utgivelsen, som The Decoder omtalte 25. oktober 2026, består av to agentmodeller bygget på Qwen3.5 med 9 milliarder parametere og Qwen3.6 med 27 milliarder parametere, sammen med hele treningsmiljøet, dataene og instruksjoner for å reprodusere alt.

Det som gjør utgivelsen verdt en grundigere titt, er ikke først og fremst benchmarktallene, men det miljøet bak dem: en simulert app-butikk med over 110 apper, og et funn om at variasjonen i apper – ikke mengden data – var det som løftet agentenes ytelse. Samtidig kompliserer ett detalj ved dataene det enkle bildet av åpne modeller som utfordrer proprietære systemer.

Hvorfor de bygget sin egen app-butikk

Treningsgrunnen til OpenMobile-2 kombinerer eksisterende simuleringer med apper som kjører i en Android-emulator, til sammen over 110 applikasjoner. Blant dem er 35 gjenoppbygde apper som først og fremst er populære i Kina – Taobao, JD, DiDi og Meituan – pluss globalt utbredte tjenester som Slack og Google Drive.

Valget om å bygge appene på nytt i stedet for å trene på ekte apper er ikke tilfeldig. Ifølge The Decoders gjengivelse av forskernes begrunnelse er trening på ekte apper smertefullt fordi innlogginger, ekte kjøp og fraværet av en måte å nullstille tilstanden på gjør prosessen dyr og vanskelig å gjenta. En agent som øver i Taobao-appen din, kan bestille varer du ikke vil ha; en agent som feiler i en innlogget økt, kan ødelegge tilstanden den skulle lære å navigere i. Simulerte kopier løser dette: De kan nullstilles, kjøres i stor skala og kjøres parallelt uten konsekvenser i den virkelige verden.

Fra dette oppsettet genererte teamet rundt 11 600 eksempelarbeidsflyter og over 2 000 øveoppgaver med automatiserte suksesskontroller. De automatiserte kontrollene er en nøkkelkomponent: De gjør det mulig å vurdere tusenvis av agentforsøk uten menneskelig gransking av hvert enkelt klikk.

Hovedfunnet: variasjon slo volum

Det mest interessante resultatet fra OpenMobile-2 handler ikke om hvor store modellene er eller hvor mange data de fikk, men hvordan dataene var satt sammen. Med samme mengde treningsdata økte antallet apper suksessraten på usette applikasjoner fra 60,7 til 67,5 prosent.

Leseren bør legge merke til hva denne sammenligningen faktisk isolerer. Modellene så like mye treningsdata, men dataene dekket et bredere spekter av apper. Når ytelsen på apper modellen aldri har sett bedres med nesten sju prosentpoeng, tyder det på at agenten lærer noe generelt om hvordan mobilgrensesnitt er bygget opp – knapper, lister, skjemaer, navigasjonsflyter – som overføres på tvers av apper, i stedet for å pugge løsninger for enkeltapper.

Implikasjonen for hvordan agenttrening bør ressurslegges er konkret: Dersom funnet holder, er det bedre å bruke tid på å bygge miljøet bredt – flere apper, flere grensesnittpattern – enn på å generere enda flere eksempler i få apper. Det er en påstand om treningsøkonomi som lar seg teste, og som andre forskningsgrupper nå kan etterprøve, siden hele miljøet og instruksjonene er åpne.

Tallene, og hva de viser

Ifølge The Decoders gjengivelse av benchmark-resultatene ga OpenMobile-2 tydelige løft på standardtestene:

• På AndroidWorld gikk den større modellen fra 67,1 til 79,9 poeng, mens den mindre gikk fra 54,3 til 74. Forgjengeren OpenMobile-1 scoret 64,7 på samme test.
• På MobileWorld forbedret den større modellen seg fra 35,9 til 50,4 poeng.
• På ekte Android-enheter scoret den større modellen 59,6 poeng på SPA-Bench, det høyeste resultatet blant åpne modeller.

Tallene forteller to historier. Den første er at metodikken fungerer: Begge modellene forbedret seg klart, og begge slo forgjengerens 64,7 poeng på AndroidWorld. Den andre er mer nyansert: SPA-Bench-resultatet på ekte enheter er beskrevet som det høyeste blant åpne modeller – ikke det høyeste overhodet. Åpne modeller har altså tatt ledelsen i sin egen klasse; avstanden ned til de stengte kommersielle systemene lar seg ikke lese ut av de oppgitte tallene alene.

Det er verdt å presisere at alle disse tallene kommer via The Decoders omtale. Denne artikkelen har ikke verifisert dem mot forskernes egen artikkel eller kodebase, så de bør leses som omtalte resultater, ikke som førstehåndsdokumenterte.

Den stengte læreren bak de åpne modellene

Her kommer forbeholdet som gjør «åpent slo stengt»-fortellingen mer sammensatt enn overskrifter antyder. Google Gemini 3.1 Pro fungerte som lærermodellen som produserte eksemplene – de rundt 11 600 arbeidsflytene agentene ble trent på. Som The Decoder formulerer det, betyr det at OpenMobile-2 i praksis lærer av et stengt system.

Dette er et velkjent mønster i moderne KI-forskning: en sterk, lukket modell brukes til å generere treningsdata som destilleres ned i en mindre, åpen modell. Åpen kildekode på vektene, miljøet og instruksjonene er reelt og verdifullt – alle kan laste ned, kjøre, studere og bygge videre på OpenMobile-2. Men kapasiteten til å generere selve kunnskapen i dataene, stammer fra et system ingen utenfor Google har innsyn i.

Det har tre konsekvenser. For det første er ikke prosjektet uavhengig av de stengte frontmodellene; det er avhengig av dem som datakilde. For det andre vil eventuelle skjevheter eller begrensninger i lærermodellen arves videre, usynlig for de åpne vektene. For det tredje setter det en strukturell grense: Metodikken viser hvordan man bygger gode åpne agenter, men den viser ikke at åpen forskning kan generere tilsvarende lærerdata uten tilgang til en frontmodell – enten en egen eller en leid.

Hva beviset ikke sier

Flere spørsmål står åpne etter det som faktisk er dokumentert i omtalen.

Det finnes ingen verifisert direkte sammenligning med proprietære agentmodeller i det tilgjengelige materialet. The Decoders overskrift legger opp til at åpne agenter kan måle seg med stengte modeller, men de siterte tallene viser resultater blant åpne modeller, ikke en topplassering over hele feltet. Det kan godt stemme at gapet har lukket seg, men det krever egne sammenligningstall som ikke ligger i det denne artikkelen bygger på.

Forskerne egen artikkel eller kodebase er ikke verifisert her; alle tall stammer fra The Decoders gjengivelse. Heller ikke forskningens publiseringsdato eller fagfellevurderingsstatus fremgår av omtalen, datert 25. oktober 2026.

Til det kommer spørsmålene metodikken reiser: Hvor robust er app-diversitetsfunnet over andre modellfamilier enn Qwen? Hvor mye av ytelsen skylder destillering fra Gemini 3.1 Pro seg selv, uavhengig av miljøet? Og hvordan oppfører agentene seg i ekte apper med alle de fallgruvene simuleringen nettopp skulle unngå – innlogginger, betalinger og tilstand som ikke lar seg nullstille?

Hvorfor dette betyr noe

Uavhengig av disse åpne spørsmålene, er utgivelsen betydelig på tre punkter.

Den gir forskningsfellesskapet et komplett, reproduserbart treningsmiljø for telefonagenter, med over 110 apper og automatiserte suksesskontroller – infrastruktur som tidligere har vært en flaskehals fordi trening på ekte apper er dyr og irreversibel. Den leverer et målbart funn om at app-mangfold gir mer enn datamengde, med tall (60,7 til 67,5 prosent på usette apper) som andre nå kan teste. Og den viser at åpne modeller kan nå toppen av sin klasse på benchmark som SPA-Bench, med 59,6 poeng på ekte Android-enheter.

Men den mest varige lærdommen kan være den dobbelte: Miljøet og vektene er åpne, kunnskapen i dataene er destillert fra noe stengt. For hvem som helst som vil bygge videre på OpenMobile-2, er det gode nyheter – koden og dataene er der. For den større fortellingen om åpen kontra stengt KI, er det en påminnelse om at «åpen» sjelden betyr uavhengig.