夜雨聆风全文约 3524 字 · 阅读约 9 分钟
项目信号：这个项目 2026 年 5 月 14 日创建，7 月 1 日还在更新，主语言标注为 Python，前端用 TypeScript 和 React，代码采用 Apache-2.0，配套数据采用 CC BY-NC 4.0，攒下 740 颗 star、121 次 fork，只有 5 个未关闭 issue，是一个年轻、活跃、维护紧凑的研究项目。
关键词及解析：
- GUI 智能体：能看懂手机屏幕、自己点按滑动来完成任务的 AI 程序，比如帮你订票、发消息。
- 可编程状态加确定性判分：整个模拟环境就是一份 JSON 数据，任务做没做对由一段代码函数直接读状态判定，不用再找一个大模型来看截图猜分。
- 在线强化学习：让智能体在环境里反复试错、按奖励信号更新自己，比一次性跑完打分更进一步。
- 模拟到真机迁移（Sim-to-Real）：模拟器里练出来的能力究竟能不能迁到真实手机上，这是判断这类平台有没有用的关键。
它把"测一个手机智能体"这件原本依赖真机、真账号、还没法回退的苦活，改造成了一份可以随意读取和复制的程序状态。README 讲清了真机测评撞上的三堵墙。真手机通过 adb 和无障碍树只能看到界面，看不到账户余额、订单、聊天记录这些底层数据，判分只好退回给一个会看错的视觉大模型，他们实测这种判分的误判率是 10.2%。真实 App 的状态藏在加密数据库和服务器后端里，既不能重置也不能克隆，而强化学习恰恰两样都需要。真实操作一转账就是真金白银，停用账号还不可逆，大规模试错基本没法做。
MobileGym 的做法是把整个环境都变成一份结构化的 JSON 快照，判分函数直接读这份状态，可以随时重置、注入、克隆成上百个并行实例，全程沙盒、没有真实后果。这一步真正的价值，是把评测从"另一个模型看图打分"换成"代码直接读状态判分"，让同一个任务在不同模型、不同批次跑出来的初始条件完全一致、结果可复现。
项目结构
对着结构看，apps/ 下是一批独立复刻的日常应用，支付宝、哔哩哔哩、eBay、地图、12306、小红书、Reddit、Spotify 等等，README 说一共约 28 个，它们只是长得像、数据全是合成的，不连任何真实服务。.nginx/ 那份配置是为了在一台机器上把上百个模拟器实例并行架起来。README 给出的完整分层是三层，底层 os/ 管系统外壳与时间、定位这些服务，中层 apps/ 和 system/ 管各个 App 的界面与状态，上层 bench_env/（Python 加 Playwright）管任务模板、判分函数和并行调度，另有 mobilegym-rl/ 放在线强化学习的训练代码。数据从底层的结构化状态往上流，动作从上层的 16 个抽象操作打下去，判分时把跑完的状态和预期状态做差异比对。一台服务器能同时跑 256 个这样的实例，每个约占 400MB 内存，跑完 256 个任务的完整评测只要 6 分钟左右，CPU 占用不到一成，这是真机和普通模拟器给不了的吞吐量。
综合评级为中。只是看看很容易，想把大规模并行和强化学习真正跑起来，则要一台像样的机器和一些工程功夫。官网 mobilegym.dev 有免安装的在线演示，点开就能玩；本地跑需要 Node 22 以上、Python 3.11 以上，克隆后 npm install、pip 装依赖、装 Playwright，再下载约 1.9GB 的配套数据集。想不接模型自己手动操控，用 human 模式即可，适合第一次上手和调判分。单智能体评测（8 路并行以内）用 npm preview 就够，再往上要启动仓库自带的 nginx 网关脚本，强化学习训练则要 GPU，他们用的是三块 RTX Pro 6000 配 96 个并行浏览器实例。
要留意的一点是，你评测的那个智能体模型得自己接，把 --model-base-url 指向一个自己准备或托管的推理后端。代码开源免费，没有强制付费或必须购买的 API，真正的花费落在算力上，评测要自己备一个模型后端，强化学习要 GPU。
关键配置：.env.example
这份 .env.example 值得对着看一眼，Google 地图、高德、和风天气、内置 OS 大模型的几把 key 全都标着 optional，官方明说标准评测不配这些也能跑，不配就用打包好的离线快照，只有想要地图天气的实时联网兜底、或者重新生成数据时才需要。这份配置最要紧的一点，是所有联网的第三方 key 都是可选项，标准评测在完全离线的状态下就能复现。
它的增益很实在，但也很窄，只落在手机 GUI 智能体这一个研究方向上。
先说做得好的地方。评测可复现是最硬的一条，读状态判分让同一任务的初始条件在所有模型、所有批次里完全一致，分数能横比、能复现。吞吐量高直接省时间，256 个任务 6 分钟跑完，过去在真机上要跑几个小时，还经常因为弹窗或网络中断而作废。它还打开了以前几乎做不了的实验，账号绑定、要连后端、一动就是真钱的 App，过去没法做在线强化学习，这里能重置、能克隆成上百份并行，大规模试错才谈得上。它会把跑完的整份状态和预期做差异比对，逮住"顺手多关注了一个人""误发了一条消息"这类真机流水线根本看不见的副作用。最能说明它有用的证据，是在一个 59 任务子集上对 Qwen3-VL-4B 做 10 步 GRPO 训练，模拟里涨了 42.8 分，搬到一台真机上还剩 40.7 分，保留了 95.1%。
再说不能可靠交给它的部分。这些 App 是合成的复刻品，README 自己讲清是"行为像、不是像素级像"的研究替身，它给出的结论说的是它建模出来的那套行为，不代表在真实 App 上一定成立。那个 95.1% 是一个模型、一台真机、一个 59 任务子集上的结果，换个模型、换类任务，迁移率完全可能不同。它覆盖的是 28 个内置 App，想扩到自己关心的应用或任务，要照它的 manifest 契约自己写模块。它也不是文献、写作或数据分析的通用助手，指望它帮你查文献、写综述是用错了地方。
对研究者最在意的数据安全，这个项目的设计几乎是最省心的一类，整套东西默认跑在你自己的浏览器和服务器上，用的全是合成数据。
那些被复刻的 App 是独立实现的研究替身，从不连真实服务、真实账号或真实资金，全在沙盒里，跑一万遍也不会有真实后果，所以没有真实用户数据可泄露，你的实验状态默认也留在本地。真正需要留意的外部数据流只有两处，一是配上前面那些可选的联网 key，二是把待评测模型指向某个云端接口，默认状态下这两处都不发生，加上内容本身全是合成的，对未发表数据或受访者信息几乎没有泄露风险。 一旦你配了地图、天气或内置模型的 key，相应请求会发到 Google、高德、和风或你指定的模型服务；把 --model-base-url 指到云端 API 时，任务的截图和提示会发到那个后端，不过因为发出去的内容是合成的，这层风险也很低。最后记住数据协议是 CC BY-NC 4.0，打包的那批数据只能用于非商业学术研究，别拿去做产品。
它适合做手机 GUI 智能体评测、想在交互式 App 上做在线强化学习、以及需要一个可复现基准的研究者。它不适合需要真实 App 保真度的工程落地，也不适合想找一个通用科研助手的人。最该记住的风险是模拟和真机之间那道坎，合成环境里跑出来的结论必须在真实场景里再验一次，那个漂亮的迁移数字只是一个子集上的一次验证。
来源：手机智能体训练场 MobileGym，Purewhiter/mobilegym，https://github.com/Purewhiter/mobilegym ，★740，Apache-2.0（代码）/ CC BY-NC 4.0（数据）。