手机助手GUI智能体测评：中兴领跑，三家胶着、两家追赶

当智能手机硬件创新进入瓶颈期，具备自主规划、视觉感知、跨应用全链路执行能力的GUI智能体正在成为厂商竞争的新赛场。SuperCLUE于近日发布AgentCLUE-Mobile 6月手机助手GUI智能体测评榜单，六款主流产品在标准化测试中呈现出“一家领跑、三家胶着、两家追赶”的格局。

测评背景：参数之外，模型架构与任务适配决定商用门槛

本次测评聚焦具备完整智能体架构与专属模型的六款产品，统一在ADB手机交互+纯视觉输入的标准化环境中开展测试。测评从意图解析、视觉感知、长链路执行三大核心维度量化能力。数据显示，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。

榜单全景：整体成绩呈现阶梯分布

测评最终总成绩排名：中兴 > vivo > OPPO > 华为 > 荣耀。

其中中兴实现断层领先，vivo、OPPO、华为三家得分胶着，荣耀与华为之间同样存在差距。行业人士指出，这一格局反映出当前各厂商在GUI智能体架构设计、视觉感知准确率与长链路执行成功率上的分化。

详细解读：核心维度拆解

• 意图解析：衡量智能体对用户口语化、多目标任务的理解能力，决定首次动作正确率。
• 视觉感知：考查智能体对屏幕元素（图标、文字、控件）的识别与定位精度，直接影响跨应用指令执行。
• 长链路执行：评估智能体在多个应用间连续完成任务的成功率，是衡量商用成熟度的关键。

行业影响：从语音助手到全链路执行，端侧AI能力成为产品标尺

此次测评结果直接印证了“模型架构与任务适配度”对手机端AI落地的重要性。传统语音助手仅能完成单一步骤，而GUI智能体需在视觉感知基础上进行自主规划与跨应用操作，这对模型轻量化、实时性与抗干扰能力提出更高要求。随着各厂商加大架构优化投入，手机智能体将从“可用”向“好用”加速过渡。

手机端侧智能体能力测评报告：6款产品分层明显，云端方案暂领跑

在最新一轮针对手机图形用户界面（GUI）智能体的综合测评中，6款产品依据评分与综合能力被划分为三大梯队，产品间能力差距显著。本次测评覆盖简单、中等、困难等不同难度任务，并从7大细分维度进行了深度打分。

第一梯队：商用级标杆，仅一款产品入围

测评结果显示，仅有中兴GUI手机智能体凭借91.29分的总成绩跻身第一梯队（90分以上，商用级）。该产品在简单、中等、困难全难度任务中表现稳健，7大细分维度得分均突破85分，端到端任务完成率高达93%。该成绩使其成为全场唯一综合能力接近商业落地标准的产品，也基本摆脱了端侧智能体中常见的“指令理解偏差、操作冗余、长链路中断”等问题。

数据解读：91.29分与93%的任务完成率意味着该产品在多数测试场景中能够自主、稳定地完成用户指令，误操作和中断概率较低。

第二梯队：成长型产品，跨应用长链路成短板

第二梯队（65-75分，成长型）由智谱AI Open-AutoGLM、阿里两款产品组成，三款产品分差不足8分，处于胶着状态。该梯队产品具备基础的意图解析与GUI感知能力，能够理解简单指令并识别屏幕元素，但跨应用长链路执行成为普遍短板。受此影响，其任务完成率集中在56%-60%，距离规模化商用仍有明显差距。

第三梯队：探索型产品，纯视觉模型遇挑战

第三梯队（60分以下，探索型）包括阶跃星辰GELab-Zero和字节跳动UI-TARS。其中，UI-TARS以30.19分垫底，与榜首差距超过60分。该表现暴露出纯视觉小模型在复杂手机交互场景中的能力短板。GELab-Zero虽优于UI-TARS，但整体能力仍然薄弱，其全维度得分均低于62分，任务完成率仅为35%。

• 解释说明：“纯视觉小模型”是指主要依赖屏幕截图等图像信息进行理解与决策，而几乎不借助文本、语音等额外数据源的轻量化AI模型，受限于模型规模，其对复杂界面元素和交互逻辑的理解能力较为有限。

调用模式分析：云端API方案表现更优

从调用模式来看，API调用类产品的整体表现优于本地部署产品。榜单前四名中有三款产品均采用云端API调用，而四款本地部署产品则包揽了后三名。该趋势印证了当前行业现状：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的GUI自动化任务。在此背景下，端云协同（即部分任务在本地处理，复杂任务依赖云端算力）被认为是现阶段的最优解。

深度拆解：五大核心结论揭示技术瓶颈

本次测评并非简单的分数排名，而是通过难度分层、步骤拆解与多维度打分，挖掘端侧GUI智能体的技术瓶颈与行业趋势。五大核心结论精准勾勒出当前赛道的技术全貌。

难度表现分化：部分产品出现“倒错配”

在难度表现上，部分产品出现了不符合预期的“倒错配”现象。本应在简单任务中表现稳定、在复杂任务中遭遇挑战的常规逻辑有所偏离，中等难度任务反而成为部分产品最大的考验点。这种分化揭示了不同AI模型对不同类型任务逻辑适配能力的差异。

智能体测评报告：倒金字塔难度结构下，多产品出现“难度逆序”现象

在一项针对手机智能体操作能力的专项测评中，测试题目采用倒金字塔难度结构设计，困难题目占比最高，重点考察智能体在长链路执行、多意图并行及异常恢复等场景下的综合表现。结果显示，不同产品在各难度任务中的表现，打破了“难度越高、得分越低”的常规认知。

中兴全难度“通吃”，稳定性表现突出

测评数据显示，中兴在简单任务中得分96.99分，而在困难任务中仍保持85分以上。无论是短指令还是多步骤复杂任务，其决策稳定性均维持在较高水平，实现了全难度覆盖下的通吃表现。

第二梯队出现“难度逆序”：困难任务反超中等任务

在第二梯队的两款产品中，测评发现一种特殊现象：Open-AutoGLM的困难任务得分为76.71分，而中等任务得分仅为68.68分；Mobile-Agent-3.5的困难任务得分为73.09分，中等任务得分则为58.17分。两款产品的困难任务得分均反超中等任务得分。

测评方分析认为，核心原因在于中等任务中包含了大量隐式指令及多意图并行判断，这对模型的规划稳定性提出了更高要求，反而比依赖线性长链路的困难任务更难以应对。

第三梯队全线拉胯：UI-TARS“全难度失效”

第三梯队的表现则整体偏低。MAI-UI与GELab-Zero虽遵循得分随难度递增而递减的规律，但整体分值较低。UI-TARS的表现更为极端，其简单、中等、困难三类任务的得分均徘徊在30分左右，属于“全难度失效”状态，无法胜任基础手机自动化操作任务。

执行效率：完成率与操作步数强绑定

除了难度任务得分，测评还从任务完成率和平均操作步数两大维度，对智能体的执行效率进行了评估。这两个指标被视作直接影响用户体验的核心因素，且测评发现，任务完成率与操作步数之间呈现强绑定关系，冗余操作成为影响体验的硬伤。

智能体评测：中兴完成率93%居首，平均步数10.83步领先

一份关于智能体执行效率的评测数据近日曝光，不同梯队的产品在任务完成率和操作步数上呈现明显分化。中兴以93%的完成率、平均10.83步的任务步数位列第一梯队，而第三梯队的产品完成率不足20%，平均操作步数超过20步。

第一梯队：中兴完成率与效率双优

评测数据显示，中兴的智能体在多个维度表现突出。其任务完成率达到93%，平均每题仅需10.83步。在单步决策上，中兴表现出几乎无冗余点击和回退操作的特点执行效率与准确率均处于领先水平。评测方认为，该智能体已完全适配日常用户的使用场景。

第二梯队：完成率与步数分化明显

第二梯队的完成率集中在56%至60%之间，但步数差异显著。其中Mobile-Agent-3.5完成率为59%，平均步数12.15步，效率相对均衡。MAI-UI的完成率为56%，但平均步数高达17.23步，存在大量无效操作，呈现出“操作多、正确率低”的问题。

第三梯队：恶性循环下的低实用性

第三梯队的产品陷入“步数越多、错误越多”的恶性循环。GELab-Zero完成率仅35%，平均步数16.75步；UI-TARS完成率仅18%，平均步数达到20.62步，相当于每执行11步才能成功一次。评测方指出，这类产品的实用性极低。

行业规律在此得到验证：智能体的实用化瓶颈，不止是“能否完成任务”，更是“用多少步骤完成任务”。压缩无效操作、提升单步决策质量，远比单纯提升整体正确率更能优化用户体验。

模型架构与场景适配度优先

评测数据同时揭示，模型架构与场景适配度的优先级远高于参数量。云端模型在评测中表现断层领先，而本地小模型并未呈现“参数越大越强”的规律。

• 完成率：指智能体自主完成指定任务的比例。
• 平均步数：完成一个任务所需的操作步骤数，步数越少代表效率越高。
• 单步决策：每一步操作的正确性和有效性，直接决定整体的冗余度。

AI模型测评：27B参数中兴Nebula-Pilot领跑，7B模型反不及4B

一项聚焦手机端AI模型能力的测评结果近日披露：中兴通讯旗下27B参数的Nebula-Pilot V1.0以显著优势位居榜首，而字节跳动7B参数的UI-TARS得分落后于阶跃星辰4B参数的GELab-Zero，暴露出参数大小与性能之间的非正相关关系。

大模型优势明显，参数差距造就18分鸿沟

测评数据显示，中兴Nebula-Pilot V1.0（27B参数）得分遥遥领先，与第二名Open-AutoGLM（9B参数）相差18分。这表明在复杂认知与长链路规划任务中，大参数模型的能力优势充分释放。

大参数模型指参数数量在数十亿级别的神经网络模型，通常可承载更复杂的计算与推理能力。

小模型逆袭：7B不敌4B，场景适配成关键

字节UI-TARS（7B参数，得分30.19）大幅落后于阶跃星辰GELab-Zero（4B参数，得分54.26）。该结果说明，脱离具体使用场景的盲目参数堆叠并无实际意义。针对手机GUI交互进行专门优化的小参数模型，其能力可以超越同领域的通用型7B模型。

• 字节UI-TARS：7B参数，通用型模型
• 阶跃星辰GELab-Zero：4B参数，针对手机GUI交互优化

4B-9B区间边际递减，业界“堆参数”路线受质疑

测评进一步揭示，在4B至9B参数区间内，模型参数量提升所带来的性能增益十分有限。厂商单纯依靠增加参数体量来提升产品竞争力的策略，在这一数据下已显得效率不足。

全行业短板：跨应用执行能力成为瓶颈

本次测评共设置7大细分能力维度，热力图清晰展示各产品的优势与短板。其中，跨应用执行能力被指为行业共性瓶颈——在需要联动多个应用程序的任务中，几乎所有模型的表现均未达到预期，该短板直接拉低了整体评分上限。

AI智能体测评结果公布：六大维度衡量，跨应用执行成关键瓶颈

一份针对主流AI智能体的测评报告日前发布，结果显示在简单、中等、困难任务、意图拆解、GUI感知、跨应用执行六大核心维度中，中兴智能体能得分为全部突破85分，无明显短板，成为本次测评中唯一的全维度均衡型产品。而以Open-AutoGLM、Mobile-Agent-3.5、MAI-UI为代表的第二梯队则在跨应用执行环节集体表现不足，得分均低于70分。

六大维度全面衡量，产品梯队分化明显

测评围绕智能体在真实手机操作环境中的表现，从任务难度层级与操作能力两大维度展开分析。中兴智能体在各维度得分均超过85分，显示出较高的端到端任务完成率。第二梯队的产品则在“跨应用执行”环节出现明显短板：Open-AutoGLM该项得分65.69分，Mobile-Agent-3.5得分67.10分，MAI-UI仅为50.79分，尽管MAI-UI在意图拆解维度得分76.72分，但“认知强、执行弱”的不对称问题较为突出。

“智能体的端到端成功率，由最弱维度决定。”业内人士指出，多数产品目前的瓶颈正是跨应用执行能力，这一环节是从“玩具级AI”走向“工具级AI”必须攻克的关卡。

第三梯队的GELab-Zero全维度得分低于62分，UI-TARS除GUI感知维度达到46.06分外，其余维度均在31分以下，纯视觉模型难以兼顾认知、规划与执行全流程。

场景实战：多意图并行任务揭示差距

本次测评选取了一个典型的高频复杂任务来还原用户真实使用场景——要求智能体同时执行“高德搜索海底捞并导航至最近门店，打开微信在产品交流群发送位置共享”。这一任务同时考验多意图并行处理能力和跨应用数据迁移能力。

两类梯队的产品在实际操作中表现差距明显：第一梯队代表可完整完成两步操作并实现通知栏联动，而第二梯队产品常在多应用切换或数据迁移环节中断任务。跨应用执行能力不足被认为是当前AI智能体从实验室走向大众市场的核心痛点。

中兴GUI智能体满分通过测评 手机智能体赛道梯队分化明显

在近日公布的AgentCLUE-Mobile手机智能体测评中，中兴自研GUI智能体以100分的满分成绩完成全部15步操作，成为全场唯一完美执行复杂任务的参赛产品。测评结果显示，当下国内手机智能体赛道梯队已然固化，中兴凭借自研27B大模型与深度场景优化率先占据商用门槛位置。

满分产品：15步操作零失误，精准理解“最近门店”与“实时位置共享”

中兴GUI手机智能体全程完成15步操作，每一步逻辑连贯、动作精准。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。裁判判定所有步骤有效，无一步冗余或误操作。智能体精准理解“最近门店”“位置共享（实时共享）”两大核心指令，完美匹配用户真实诉求。

“全程15步操作，每一步逻辑连贯、动作精准，是全场唯一满分完成该复杂任务的产品。”——测评裁判判定

GELab-Zero：两大关键失误导致得分53.85分

另一参赛产品GELab-Zero总计完成13步操作，最终得分53.85分。测评发现两处核心错误：第一，搜索海底捞后未选择距离最近的门店，违背“导航至最近一家”的指令；第二，混淆微信“发送静态位置”与“共享实时位置”功能，误选静态位置发送，偏离“位置共享”核心要求。两大失误导致任务失败，大量操作沦为无效动作。此类问题也是中低端智能体的典型表现：指令理解浮于表面，难以区分相似功能与隐性约束条件。

• GELab-Zero共13步操作，其中两处关键错误导致任务失败。
• 搜索海底捞后未按“导航至最近一家”指令选择门店。
• 混淆微信“发送静态位置”与“共享实时位置”，误选静态位置发送。

行业视角：参数数字褪色，架构、适配与场景打磨成核心门槛

智能手机硬件创新已触顶，摄像头、芯片、快充同质化内卷难以撬动换机需求。具备自主执行能力的GUI智能体成为行业突破增长瓶颈的新变量。本次测评揭示：AI手机的竞争已从“有没有大模型”转向“模型能不能用、用得好不好”的落地之争。参数只是数字，架构、适配、工程能力及场景打磨，才是决定产品最终体验的核心要素。

从行业格局看，智谱、阿里等玩家处于成长阶段，仍需补齐长链路执行短板；纯视觉小模型路线遭遇明显瓶颈。短期来看，端云协同仍是主流，全面商用的产品将率先收割市场；长期随着端侧算力持续升级、模型技术迭代，本地部署的轻量化高性能智能体或将成为最终形态。