先说这周发生的一件事。8月20日，阿里发布了新模型Qwen-UI-Agent，紧接着第二天，Anthropic把Claude的「电脑操作三件套」全面开放，Mistral也推出了AgenticSearch。三家公司几乎在同一时间干了同一件事：让AI从「会聊天」变成「会操作」。微博
和之前几轮模型发布不一样，千问这次发的不是聊天模型，而是一个GUI智能体基座模型——说白了，就是能看懂你的手机和电脑屏幕、会模拟点击、会打字、会执行命令的模型。36氪这可能是整个8月最值得关注的一次发布，因为它争的不是你的聊天框，而是你屏幕的操作权。
它能干什么
按官方演示，Qwen-UI-Agent覆盖移动端、电脑端、网页端和深度搜索四类场景。微博在手机上，你可以让它「找家附近的咖啡馆」，它会自己打开地图App查位置，再跳到社交平台搜评价，最后把结果汇总给你。在电脑上，它更多调用命令行动作，能一口气完成跨网站调研、核对价格、生成比价方案。在深度搜索场景里，GUI负责网页检索和定位数据源，CLI负责下载和分析数据，两条线协同。它还能盯着手机的通知栏——看到航班取消的通知，主动去查替代方案、核对日程冲突、给你出恢复计划。36氪
至于大家最关心的安全，官方设计了两档：遇到违法或高风险请求，模型不执行任何界面操作，直接拒绝并终止任务；遇到支付、删除数据、隐私授权这类敏感操作，它会在关键步骤停手，等你明确确认后才继续。36氪
为什么这次和以前的「AI代操作」不一样
关注智能体的人应该知道，这类演示这两年已经刷屏过好几轮——视频里惊艳，真上手就拉胯。问题出在模拟环境和真机之间的鸿沟，业内叫sim-to-real gap：在干净的沙盒里刷分漂亮，一到真机上，弹窗广告、登录过期、网络抖动一来，立刻原形毕露。中国市场的超级应用功能深、入口杂、弹窗多，这个问题尤其严重。
Qwen-UI-Agent的思路比较直接：搭了100多台真机、150多个应用的训练环境，让模型从训练第一天起就在真实登录态、动态内容和随机弹窗里学习。技术报告里还拆解了基线模型在真机上的失败原因：52%来自真实世界干扰，比如弹窗广告、UI误读、控件滑不准；40%来自执行能力缺陷，比如找不到深层入口、陷入重复点击循环、长任务忘了进度。36氪光看这份失败归因，就知道真机是真的跑过了。
成绩也撑得住：在覆盖移动端、桌面端、网页端和GUI定位的6大核心基准测试里，Qwen-UI-Agent拿下5项第一。36氪真机评测集MobileWorld-Real上，它以92.2%的成功率领先GPT-5.6 Sol、Claude Opus 4.8和字节今年6月发布的Seed 2.1 Pro；AndroidDaily日常任务集拿到97.5%，接近满分；桌面端OSWorld-Verified得分79.5%，仅次于Claude Opus 4.8。一句话：移动端领先，桌面端跟住。
对普通人最实际的一点：AI手机的溢价先别急着掏
这是我最想说的部分。这两年不少厂商在卖「AI手机」的概念：买新手机，送你一个能帮你点击、下单、订票的AI。但Qwen-UI-Agent走的是另一条路——它是开源的基座模型，主力版本27B，还有更小的35B-A3B和4B版本，理论上不分品牌、不分设备都能装。36氪小米的GUI团队最近也推出了真机评测基准RealMobile。知乎字节、阶跃同样在往这个方向投入。基座模型这条路一旦走通，AI操作手机的能力可能变成「跟着模型走」，而不是「锁在硬件里」。
所以，如果你正打算为下一台手机的「AI功能」多掏一笔溢价，我的建议是先等等看。屏幕操作权这场仗才刚开打，现在收费的卖点，很可能不用一年就变成免费的基础能力。
现在能用上吗
分两种情况说。
开发者和喜欢本地部署的玩家可以现在就上手。模型已经开源，技术报告、项目主页、GitHub仓库都放出来了。微博27B这个尺寸和前段时间开源的Qwen3.8-27B相当，之前部署过千问27B级别模型的硬件门槛，大致可以拿来参考；4B的小版本对设备的要求还会低得多。
普通用户的话，说实话，现在还只能用「看」的。阿里还没公布Qwen-UI-Agent什么时候进千问App、什么时候上手机，落地形态是接下来绕不开的关键命题。36氪建议盯三个信号：一是千问App里什么时候出现「操作设备」类入口；二是有没有手机厂商官宣预装或接入；三是真机评测成绩能不能在App持续更新的情况下守住。这三件事只要有一件落地，才是普通用户真正该花时间研究它的时候。
最后泼一点冷水：跑分第一不等于日常好用。评测集是固定的，App却是每周都在更新；把手机交给AI操作，还涉及账号和支付授权的信任问题，这不是技术一家能解的。这次发布值得记上一笔，但钱包和账号，还是先观望再动手。
