9B 参数的小模型，在手机和电脑 GUI Agent 任务上打出了大成绩：阿里 Qwen 团队开源的 MAI-Gym，把 GUI Agent 的评测、数据采集和在线 RL 训练整合成一个平台，手机、电脑、网页全覆盖。
这个平台的关键是 All-in-One：评测、数据收集、在线 RL 共用同一套 rollout pipeline，训练的 Agent 就是评测的 Agent，不会出现实现漂移。基建也很能打：支持 10 个主流基准，单集群能拉起 2 万个并行环境实例，弹性、可重置、失败隔离都做干净了。
数据不够怎么办？它用编程 Agent 从零搭建可重置的模拟 App：7 个真实 App 克隆加 42 个全新界面，配合带执行验证的任务校验器，拼出跨 App 连贯的世界。真实交互环境又贵任务又少，这个办法把缺口补上了。
成绩方面，基于 Qwen3.5-9B、经过 SFT+RL 的 MAI-Gym-9B：MobileWorld 78.4%，OSWorld-Verified 76.2%，都是 10B 以下开源模型的最好成绩，比同规模的 UI-Venus-2-9B 高出 3.2 和 5.4 个点，部分指标甚至压过了更大的模型。
最有说服力的是模拟到真实的迁移：在模拟火车票 App 里做完 RL，直接搬到真机上，任务成功率从 28.8% 飙到 48.1%。模拟训练不是自嗨，是真能落地。
框架、合成技能、模拟 App、2000 条验证任务、模型权重全部开源，可以直接复现、继续训。
论文：
https://arxiv.org/abs/2610.20939
项目页：
https://tongyi-mai.github.io/MAI-Gym/
代码：
https://github.com/Tongyi-MAI/MAI-Gym
手机 Agent 离真正好用，又近了一大步。