这两天，vivo 的 AI 算是结结实实刷了一波屏。
8月21日，SuperCLUE 放出 AgentCLUE-Mobile 手机 GUI 智能体基准测评，蓝心小V第一次参赛就以总分92.11分登顶，复杂指令拆解、屏幕界面识别、跨APP连续执行三个维度全是第一。微博第二天，OnDevice 端侧大模型榜单也更新了，蓝心 BlueLM-3.5-Nano-3B 以89.86分拿下端侧第一——这是个只有3B参数的小模型，而排在它前面的只剩云端巨头：谷歌 Gemini 3.6 Flash 93.64分、豆包 Doubao Seed 2.1 pro 92.99分、千问 Qwen3.8 Max 92.25分，分差只有3.78分。知乎翻译成人话：你手机里那个"小V"，在"替你点屏幕干活"的考试里拿了第一，顺带它本地跑的小模型，分数已经快够到云端大模型了。
但我劝你先别急着自豪。不是黑，是这份榜单有三个特别容易被误读的地方。
第一，这个榜单是月更的，王座不姓vivo。 6月那期手机GUI智能体榜单，登顶的是中兴的GUI手机智能体，91.29分，当时还拿了"全部维度第一"。微博所以92.11是"本期第一"，不是"终局胜利"。手机智能体还在快速迭代期，下个月谁登顶真不好说。
第二，榜单内部的差距，比你想的夸张。 就看6月那期的数据，第一名91.29分，最后一名只有30.19分，首尾差距超过60分——最强的和最基本的，根本不在一个世界。微博SuperCLUE 自己也把话说得很明白："单次测评只代表基准测试表现，实际日常使用，还要看厂商的系统调优。"还有一句更直接："跑分是分，体验是体验，别把榜单当购买指南。"这是出榜人自己说的。知乎
第三，整个赛道都还在早期。 学术圈对 GUI 智能体的态度更冷：OSWorld 基准上，人类能完成72%的任务，最好的模型只有12%。知乎CVPR 2026 上针对专业软件的测试里，最强智能体多步任务成功率只有20.6%，跨软件工作流直接归零。这些测试比手机场景难得多，但至少说明"AI替你干活"这件事，全行业都还没解出来。今年初有团队实测过6款AI手机，能完整把外卖点成功的智能体，不超过3家。微博
那真实体验到底怎么样？我翻了一圈存量用户的帖子，评价是明确两半。
觉得好用的，场景都很具体：小V快捷指令的"超级按钮"一键唤起支付入口，结账快人一步；圈搜识别升级后讨论度很高；今年初接入 DeepSeek 之后，评论区一度很热闹。小红书觉得难用的，槽点也很具体：小V完成指令后不会自己退下，让它退出反而直接返回主屏幕；有老用户吐槽从 Jovi 升级成蓝心小V之后，简单指令也要"深度思考"半天，反而不如从前利索。小红书
所以我的判断是：这个双榜第一的含金量不低——首参评、三维度全第一、端侧3B做到逼近云端，vivo 在智能体上是真下了功夫，尤其是把3B小模型塞进天玑和骁龙的NPU、靠硬件协同压榨性能这条路线，确实是工程活。但跑分和日常体验的落差也是真的，用户骂的那些点，多数不是模型"智商"问题，而是工程细节——该退出的时候退出，该快的时候快。这类问题不靠模型变大解决，靠系统调优。
最后给几类人几个直接的建议：
已经在用 vivo/iQOO 的：不用因为榜单自豪，也不用因为吐槽焦虑。把小V当工具用就行——快捷支付、圈搜、填表这类高频短链路场景值得多用；跨好几个APP的长链路任务，暂时留个人盯着。OriginOS 7 的 Beta 版已经开始推送，前面说的那些体验毛病会不会修，是接下来最值得盯的事。微博
正准备换机、把"AI强不强"当筛选条件的：别把榜单第一当成购机的决定性理由。92.11和91.29的差距，落到日常感知里几乎为零；系统干不干净、智能体实际开放了多少权限，才是真正影响你每天体感的东西。
纯围观的技术党：接下来几个月的 SuperCLUE 月榜值得追。看点不是谁登顶，而是首尾那60多分的差距会不会收窄——收窄得越快，说明这个品类成熟得越快。
你的手机里，小V真的帮你干成过什么事？或者它最让你抓狂的一次是什么？评论区聊聊，我看看是不是同一个问题。
