SuperCLUE发布6月手机助手GUI智能体测评 中兴断层领先形成三大梯队

近日，SuperCLUE发布AgentCLUE-Mobile 6月手机助手GUI智能体测评榜单。六款主流手机智能体在ADB手机交互与纯视觉输入的标准环境中展开测试，最终呈现“一家领跑、三家胶着、两家追赶”的竞争格局。测评结果显示，中兴旗下产品在意图解析、视觉感知、长链路执行三大核心维度上实现断层领先。

测评维度与评分规则拆解

本次测评聚焦具备完整智能体架构与专属模型的产品，统一采用ADB（Android调试桥）手机交互方式，仅通过屏幕截图作为视觉输入源。三大量化维度覆盖智能体全链路能力：

• 意图解析：衡量智能体对用户自然语言指令的意图识别精度与目标分解能力。
• 视觉感知：评估通过屏幕截图识别界面元素、按钮、文本等视觉信息的准确率。
• 长链路执行：测试智能体在多步骤、跨应用任务中的连续执行成功率与错误恢复能力。

测评数据同时指出，参数规模并非决定性能的唯一标准。模型架构、任务适配度与单步决策质量，正成为AI手机迈向商用的关键制约因素。

GUI智能体：从语音助手到自主执行引擎

所谓GUI智能体，即具备图形用户界面交互能力的智能程序。与传统语音助手仅执行单次问答不同，GUI智能体能够自主规划任务路径、通过视觉感知理解屏幕状态，并在多个应用之间完成全链路操作。随着智能手机硬件创新进入瓶颈期，此类智能体正成为手机厂商新一轮角逐的核心赛场，端侧AI的落地能力已演变为衡量产品竞争力的标尺。

“参数并非决定性能的唯一标准，模型架构、任务适配度、单步决策质量，才是AI手机迈向商用的关键。”

手机GUI智能体评测：中兴产品91.29分居首，API调用模式整体优于本地部署

一项针对6款手机GUI智能体的综合能力测评近日公布结果，产品得分呈现明显分层，仅有一款产品达到商用级门槛。评测从简单、中等、困难全难度任务及7大细分维度进行打分，同时对比了API调用与本地部署两种调用模式的表现差异。

三大梯队分化显著，榜首产品端到端完成率达93%

根据综合分数与能力，6款产品被划分为三大梯队。第一梯队（90分以上）仅中兴GUI手机智能体入围，总成绩91.29分，全场唯一接近商业落地标准。该产品全难度任务表现稳健，7维度得分均超85分，端到端任务完成率高达93%，基本解决端侧智能体常见的指令理解偏差、操作冗余与长链路中断问题。

第二梯队（65-75分）包括智谱AI Open-AutoGLM与阿里两款产品，三款分差不足8分，具备基础意图解析与GUI感知能力，但跨应用长链路执行成为普遍短板，任务完成率集中在56%-60%。第三梯队（60分以下）包含阶跃星辰GELab-Zero与字节跳动UI-TARS，其中UI-TARS以30.19分垫底，与榜首差距超60分；GELab-Zero全维度得分均低于62分，任务完成率仅35%。

调用模式对比：端云协同为当前最优解

评测揭示了调用模式对性能的直接影响：榜单前四名中有三款采用云端API调用，而四款本地部署产品包揽后三名。受限于手机端算力、内存与功耗，纯端侧本地运行的小模型暂时难以承载复杂GUI自动化任务，端云协同仍是现阶段实现稳定执行的必要路径。

当前GUI智能体面临的核心瓶颈在于：中等难度任务成为最大考验，部分产品出现“倒错配”现象——即在简单或困难任务上表现尚可，但中等任务失误率显著上升。

五大核心结论首条发布：难度表现分化引发“倒错配”

本次测评并非简单排名，而是通过难度分层、步骤拆解与多维度打分挖掘技术瓶颈，共得出五大核心结论。首个结论聚焦于难度表现分化：部分产品在中等任务上表现最差，形成能力错配。这提示开发者需针对性优化中等复杂度场景的指令理解与操作连贯性。

• GUI智能体：即图形用户界面智能体，指能够直接识别、操作手机屏幕上的按钮、菜单等视觉元素，并完成用户指令的AI代理。
• 任务完成率：指智能体从接收指令到最终成功完成目标操作的比例。第一梯队93%的完成率已接近实用，而第三梯队35%的完成率表明纯视觉小模型在复杂手机交互中仍存在显著能力短板。

手机智能体评测：中兴实现全难度通吃，UI-TARS全难度失效

近日发布的一项智能体测评结果显示，各产品在不同难度任务中的表现出现分化。其中，中兴在简单与困难任务中均保持高分，而UI-TARS产品三类任务得分均徘徊于30分左右，被视为“全难度失效”。

测评结构：倒金字塔难度设计

该测评采用倒金字塔难度结构，困难题目占比最高，重点考察智能体的长链路执行、多意图并行及异常恢复能力。任务分为简单、中等、困难三个梯度，各产品表现打破了“难度越高、得分越低”的常规认知。

第一梯队：中兴实现全难度通吃

中兴在简单任务中得分为96.99分，在困难任务中仍保持在85分以上。测评方认为，无论短指令还是多步骤复杂任务，其决策稳定性均表现突出。

第二梯队：难度逆序现象出现

两款产品出现难度逆序：Open-AutoGLM的困难任务得分为76.71分，中等任务得分为68.68分；Mobile-Agent-3.5困难任务得分为73.09分，中等任务为58.17分。困难任务得分反超中等任务，核心原因在于中等任务包含大量隐式指令、多意图并行判断，对模型规划稳定性要求更高，反而比线性长链路的困难任务更难应对。

“中等任务隐式指令多、多意图并行判断，对规划稳定性要求更高。”——测评分析

第三梯队：全线拉胯

MAI-UI和GELab-Zero遵循得分随难度递增而递减的规律，但整体分值偏低。UI-TARS表现更为极端，简单、中等、困难三类任务得分均徘徊在30分左右，属于“全难度失效”，无法胜任基础手机自动化操作。

执行效率：完成率与操作步数强绑定

测评从任务完成率和平均操作步数两大维度，衡量智能体的执行效率。这一维度被视为直接影响用户体验的核心指标。冗余操作被认为是影响体验的硬伤。

手机操作智能体实测：中兴完成率93%领跑，行业呈现明显梯队分化

一项针对手机操作智能体的最新评测结果显示，不同智能体在任务完成率与操作效率上呈现出显著的梯队分化。其中，中兴智能体以93%的超高完成率占据领先位置，在综合性能表现上形成了断层优势。

第一梯队：中兴实现高效精准操作

数据显示，中兴智能体在测试中平均每题仅需10.83步即可完成。评测指出，其在单步决策上表现精准，几乎未出现冗余点击与回退操作，在执行效率与准确率两项指标上均达到双优水平。该表现被认为完全适配日常用户的使用场景。

中兴完成率93%，平均每题10.83步，执行效率、准确率双优。

第二梯队：完成率集中但步数分化明显

第二梯队的智能体完成率集中在56%至60%区间，但操作步数差异较为明显。Mobile-Agent-3.5的完成率为59%，平均步数12.15步，在效率上相对均衡；而MAI-UI的完成率为56%，但其平均步数高达17.23步。

评测指出，MAI-UI在测试中存在大量无效操作，形成了“操作多、正确率低”的问题表现。

MAI-UI完成率56%，平均步数17.23步，存在大量无效操作。

第三梯队：陷入“步数越多、错误越多”循环

第三梯队智能体在测试中表现不佳，陷入了操作步数增加而错误率同步攀升的恶性循环。GELab-Zero的完成率为35%，平均步数16.75步；UI-TARS完成率仅18%，且平均步数达到了20.62步。

相关解读指出，这意味着UI-TARS平均每执行11步操作才能成功完成一次任务，实用性极低。

UI-TARS完成率仅18%，平均步数20.62步，每执行11步才能成功一次。

评测揭示实用化核心瓶颈

此次评测进一步验证了行业规律：智能体的实用化瓶颈，不仅是“能否完成任务”，更在于“用多少步骤完成任务”。

分析认为，压缩无效操作、提升单步决策质量，在优化用户体验上的优先级，远比单纯提升整体正确率更为关键。此外，在模型架构与场景适配度的考量上，其重要性也高于参数量的大小。

手机GUI智能体评测：27B模型领先，4B模型反超7B，跨应用执行成行业瓶颈

一项针对手机GUI智能体大模型的测评近日公布结果，揭示了不同参数规模模型在复杂认知、场景适配及跨应用执行等维度的能力差异。27B参数的中兴Nebula-Pilot V1.0在总分上大幅领先，而7B模型表现不及4B模型，显示出参数堆叠脱离场景适配的失效。

大参数模型优势凸显，4B-9B区间边际效应递减

在本次评测中，中兴Nebula-Pilot V1.0（27B参数）以显著优势位居榜首，相较第二名9B参数的Open-AutoGLM拉开18分差距。评测方认为，大参数模型在复杂认知、长链路规划上的优势充分显现。

但在4B-9B参数区间内，评测结果呈现边际效应递减的趋势：该区间内模型参数量提升带来的能力增益十分有限。所谓参数边际效应递减，是指随着模型参数量增加，每增加一单位参数所获得的性能提升幅度逐渐减小，单纯依靠“堆参数”提升产品竞争力的路线已难以为继。

小模型反超大模型：场景适配优于参数堆叠

对比结果中引人注目的是，7B模型表现不及4B模型：字节UI-TARS（7B）得分30.19分，大幅落后于阶跃星辰GELab-Zero（4B，54.26分）。这证明脱离场景适配的参数堆叠毫无意义，针对手机GUI交互优化的小模型，能力可以超越通用型7B模型。

跨应用执行成为全行业共性短板

评测设置7大细分能力维度，热力图数据清晰展现了各产品的能力矩阵。热力图通过色彩深浅直观比较不同维度得分，从中可以观察到全行业的共性短板：跨应用执行能力不足，这一短板限制了各模型的整体上限。

移动AI智能体评测：跨应用执行成端到端成功率关键瓶颈

近日一份针对主流AI智能体产品的系统性评测报告显示，在简单、中等、困难三类任务，以及意图拆解、GUI感知、跨应用执行等六大核心维度中，仅有中兴智能体实现全维度85分以上的均衡表现，而多数产品在跨应用全链路执行环节得分不足70分，成为从“玩具级AI”迈向“工具级AI”的核心关卡。

场景实战：多意图并行任务差距直观

本次测评选取了用户真实使用中的高频复杂任务作为典型案例：“在高德搜索海底捞并导航至最近门店，然后打开微信在产品交流群发送位置共享”。这一任务同时涉及多意图并行与跨应用执行，完整还原了用户操作路径。

两款梯队代表产品在该场景下的表现形成了鲜明对比：其中中兴智能体可完整完成全流程，而多数第二梯队产品在跨应用切换、数据迁移或通知栏联动等环节出现中断。

第二梯队：认知尚可但执行短板突出

Open-AutoGLM、Mobile-Agent-3.5在跨应用执行维度得分分别为65.69分、67.10分，处于“拉胯”状态。MAI-UI则出现严重分化：其意图拆解得分达到76.72分，但跨应用执行仅为50.79分，暴露出“认知强、执行弱”的结构性问题。

第三梯队：全面落后，纯视觉模型局限明显

GELab-Zero全维度得分均低于62分；UI-TARS仅GUI感知维度达到46.06分，其余维度均在31分以下。评测指出，纯视觉模型难以同时兼顾认知、规划与执行全流程，整体能力与第一梯队差距较大。

核心分析：最弱维度决定端到端成功率

报告总结，智能体端到端成功率由最弱维度决定。在六大核心维度中，“跨应用执行”成为多数产品当前最大的能力短板，涉及多应用切换、数据迁移、通知栏联动等复杂场景。这一环节被视为从“玩具级AI”走向“工具级AI”必须攻克的核心关卡。

中兴GUI智能体获AgentCLUE-Mobile测评满分 GELab-Zero得分53.85

在最新一轮AgentCLUE-Mobile测评中，多款手机智能体产品接受复杂指令执行考核。中兴自研的27B大模型驱动的GUI智能体以100分满分成绩完成全部15步操作，而智谱旗下的GELab-Zero仅获53.85分，因两项关键失误导致任务失败。

评测：满分与失误的分水岭

满分产品全程15步操作逻辑连贯：依次打开高德地图、搜索关键词、按距离排序选择最近门店、启动导航、返回桌面、打开微信、进入群聊、开启实时位置共享。裁判认定所有步骤有效，无一步冗余，精准理解了“最近门店”和“实时位置共享”两大核心指令。

“是全场唯一满分完成该复杂任务的产品。”

对比之下，GELab-Zero总计13步操作中出现两处核心错误：第一，搜索“海底捞”后未按指令选择距离最近的门店；第二，误发送微信静态位置而非开启实时位置共享，偏离了“位置共享”要求。这两大失误直接导致大量操作无效。

GUI智能体：从指令到执行的关键能力

GUI智能体指能够自主理解自然语言指令、在手机图形界面完成多步骤操作的AI产品。本次测评中的“位置共享”指令要求实时共享位置，而非发送静态坐标，属于隐性约束条件。落后产品的典型问题在于指令理解浮于表面，无法区分相似功能。

• 中兴满分产品：准确区分“最近门店”排序逻辑与“实时位置共享”功能
• GELab-Zero：混淆“发送静态位置”与“共享实时位置”，未完成核心目标

行业格局：赛道梯队已固化

AgentCLUE-Mobile测评结果揭示了当下国内手机智能体赛道格局：中兴凭借自研27B大模型与深度场景优化，率先站在商用门槛之上；智谱、阿里等玩家处于成长阶段，需补齐长链路执行短板；纯视觉小模型路线遭遇明显瓶颈。测评指出，AI手机竞争已从“有没有大模型”转向“模型能不能用、用得好不好”，参数仅是数字，架构、适配、工程能力与场景打磨决定最终体验。

从行业拐点看，短期端云协同仍是主流，全面商用的产品将率先收割市场；长期随着端侧算力升级，本地部署的轻量化高性能智能体或成为最终形态。