这两天千问的圈子挺热闹。8月18日千问办公刚把上下文基础设施开源。36氪8月20日晚上，官方又正式发布并开源了 Qwen-UI-Agent。知乎媒体标题起得相当猛——“移动端基准超越GPT-5.6与Claude Opus 4.8”。集微网
先把结论放前面：这组成绩来自官方技术报告，其中含金量最高的一个基准还是千问自建的，第三方复现暂时没有。所以可以关注，不必上头。但这次发布本身确实值得聊，因为它不再是聊天跑分，而是真刀真枪地在教AI替你点手机屏幕。
这是个什么东西：会"用屏幕"的AI
Qwen-UI-Agent 不是聊天模型，而是一个 GUI 智能体基座模型。说白了：它能看懂屏幕、理解界面，然后像人一样模拟手指操作，去用那些没有接口的App。覆盖四个环境：手机、电脑、网页，还有深度搜索（DeepSearch）。微博
官方给的演示例子相当生活化：你说"我今天约了朋友去天目里喝咖啡"，它自己打开高德查地址，去大众点评找1公里内人气最高的咖啡馆，记下店名，再跑去小红书总结前五条笔记，看大家推荐这家的哪款咖啡。知乎还有一个演示：在12306查北京到杭州最早的高铁几点到，算好地铁通勤时间，然后在钉钉里自动建好会议，连提前5分钟提醒都设上。
发现了吗？这就是手机厂商们喊了好几年的"AI按键"的完全体。区别在于，厂商助手大多出不了自家系统，而这个想跨App、甚至跨设备干活。
成绩很猛，但请记住出处
媒体转得最多的是这组数字，出处都是官方介绍。集微网
移动端 MobileWorld 基准：82.1%，领先 GPT-5.6 Sol 12.0 个百分点、Claude Opus 4.8 14.6 个百分点
真机基准 MobileWorld-Real：92.2%，超过 Gemini 3.1 Pro、Claude Opus 4.8、GPT-5.6 Sol
AndroidDaily：97.5%，接近满分
电脑端 OSWorld-Verified：79.5%；网页端 WebArena 在所有对比模型里拿第一
要记住的是：整套分数都是官方技术报告的自报成绩。其中 MobileWorld-Real 这个基准是千问自建的。知乎在自己主场跟自己比，赢是应该的。12个百分点的领先发生在 MobileWorld 这个公开基准上，这个有点分量，但在第三方团队复现之前，所有"超越XXX"前面都该自动加一行小字：官方口径。
比分数更值钱的，是把训练搬进100台真手机
我觉得比分数更值得看的，是它对"模拟器差距"的处理。
GUI 智能体有个老毛病：在模拟环境里刷分挺好看，一上真机就拉胯。加载慢一点、弹个窗、换个键盘布局、App悄悄更新一版，都可能让智能体当场卡死。千问这次的做法比较硬：直接搭了一个覆盖100多台真实手机、150多款应用的真机环境，任务构建、轨迹采集、训练、评测全在真机上做，顺手还把包含400多个任务的 MobileWorld-Real 基准放了出来。IT之家
小红书上有科技博主总结得挺到位：模拟测试时代结束了。小红书行业跟不跟还得再看，但至少"真机成功率"这把尺子被递出来了。以后看各家 GUI 智能体，别只盯着模拟分数问一句：真机上跑的？
几个和"敢不敢用"有关的细节
官方发布里有几个点，是普通用户真正该关心的：
第一，安全边界。违法和高风险请求，它直接拒绝、不碰界面；支付、删除数据、隐私授权这三类敏感场景，它会在关键步骤主动停手，等你确认了才继续。知乎让AI操作手机，最怕的就是它替你把"确认支付"点了，这个设计至少方向是对的。
第二，不是只会点点点。它还能执行命令行，单次决策可以批量输出多个动作，执行轨迹明显变短。小红书官方说电脑任务里CLI动作占比接近一半，约40%的动作是一次批量输出的。翻译一下：它做调研、比价这种活时，不会机械地点一百下，而是"打开网页看看"和"跑个脚本算算"混着来。官方演示里有个170步的数据调研任务，最后交付了Excel、PPT和Word。知乎
第三，主动服务。演示里有个场景：检测到你的航班被取消，它不等你开口，先去找替代航班和高铁，摆出方案，你点头它才执行，还能从手机接力到电脑继续干。这就有点私人助理的样子了。
泼冷水时间：你现在还用不上
官方定位写得很清楚："为终端与生态伙伴提供能力支持。"也就是说，它是给手机厂商、软件厂商和开发者用的，千问App里暂时没有这个功能按钮。
官微公告下面第一条评论就是"地址呢"——大家都想玩，但入口在哪没人知道。微博
开发者可以去官方 GitHub（Tongyi-MAI 组织）拿代码。但提醒一句：GUI Agent 跑起来要搭设备环境，你得有台手机或电脑给它操作，门槛比下载个聊天模型高一截。B站官方发布视频下面一万六千多播放、四百多个赞，热度是真的，但离"人人可用"还有距离。B站
值得盯的三个信号
我的建议是把这事放进观察清单，重点看三件事：
第三方复现。尤其是有没有人复现 MobileWorld-Real 的真机成绩。自建基准加官方自报，需要客场验证；
落地路径。会不会进手机厂商的助手？国行 Apple 智能已完成备案公示，千问官宣将作为 AI 能力深度集成国行全系列苹果设备。36氪千问App会不会上"帮我操作"这类功能，也值得等；
生态节奏。这个月千问已经开源了办公上下文基础设施，加上同一天发布的阿里财报：本季度阿里新划分的"AI云与计算服务"收入484.37亿元，同比增长45%，外部客户收入同样增长45%。AI云与计算服务经调整EBITA同比涨了133%。36氪不过36氪的说法是"云利润翻倍，千问亏损扩大"——云在赚钱，千问C端还在烧。烧钱换入口的阶段，恰恰是用户最该盯着看它往哪走的阶段。
一句话收尾："超越GPT-5.6"的标题是官方口径，可以关注，不必上头；但把100台真手机搬进训练场、把真机尺子开源出来，这个方向值得认真对待。下次再看到手机助手吹自己多聪明，不妨先问一句：你的分数，是模拟器里跑的，还是真机上跑的？
