阿里通义实验室发布 MAI-UI：一套能“看懂”手机屏幕、帮你自动操作 App 的 AI 智能体，性能超越谷歌 Gemini、Seed与 UI-Tars-2
内容提要
阿里通义实验室推出开源项目MAI-UI，旨在实现AI对手机的直接操控。该项目在GUI定位和任务执行方面表现出色，能够识别屏幕内容并完成复杂操作。MAI-UI支持多种参数变体，具备主动询问用户信息和与外部应用集成的能力，适应动态环境。目前已开源2B和8B版本，用户可通过GitHub获取体验。
关键要点
-
阿里通义实验室推出开源项目MAI-UI，旨在实现AI对手机的直接操控。
-
MAI-UI在GUI定位和任务执行方面表现出色，超越了Gemini-3-Pro和Seed1.8。
-
项目包含多种参数变体，如2B、8B、32B和235B-A22B。
-
MAI-UI具备高水平的屏幕识别能力和复杂任务执行能力。
-
在AndroidWorld基准测试中，MAI-UI创造了76.7%的成功率记录。
-
MAI-UI设计了原生人机互动机制，能主动询问用户信息。
-
通过MCP工具，MAI-UI能够与外部应用和真实世界数据深度集成。
-
独创的设备-云混合协作架构，智能决定任务处理方式。
-
MAI-UI通过在线强化学习框架不断进化，适应动态环境。
-
目前已开源2B和8B版本，用户可通过GitHub获取体验。
延伸解读
MAI-UI的技术优势
MAI-UI在图形用户界面（GUI）定位和任务执行方面的表现超越了现有的AI模型，如Gemini-3-Pro和Seed1.8。这种技术优势使得MAI-UI能够在复杂的手机操作中提供更高的成功率，尤其是在真实应用场景中的表现，显示出其在日常生活中的实用潜力。
人机互动的新模式
MAI-UI设计了原生的人机互动机制，能够主动询问用户信息。这种设计不仅提升了用户体验，还使得AI在执行任务时更加灵活和高效，能够根据用户的需求进行实时调整，打破了传统AI助手的局限性。
开源项目的应用前景
MAI-UI目前已开源2B和8B版本，用户可以通过GitHub获取并体验。这为开发者提供了一个强大的工具，能够在不同的应用场景中进行创新，推动AI在手机操作领域的进一步发展。开源的特性也意味着社区可以共同参与改进和扩展功能。
延伸问答
MAI-UI的主要功能是什么？
MAI-UI能够识别手机屏幕内容并完成复杂操作，支持主动询问用户信息和与外部应用集成。
MAI-UI与其他AI模型相比有什么优势？
MAI-UI在GUI定位和任务执行方面表现优越，成功率超过Gemini-3-Pro和Seed1.8。
如何获取和使用MAI-UI？
用户可以通过GitHub克隆MAI-UI的2B和8B版本，并按照说明启动API服务。
MAI-UI如何处理复杂任务？
MAI-UI通过原生人机互动机制和MCP工具，能够主动询问用户并与外部应用深度集成。
MAI-UI的成功率如何？
在AndroidWorld基准测试中，MAI-UI创造了76.7%的成功率记录。
MAI-UI的设计理念是什么？
MAI-UI旨在打破AI助手的局限，使其能够直接操控手机并适应动态环境。
