AI手机智能体实测成绩单出炉: 中兴领跑商用赛道, 端侧小模型集体遇阻

[CNMO科技消息]当智能手机硬件创新进入瓶颈期，GUI智能体正成为手机厂商新一轮角逐的核心赛场。从传统语音助手到具备自主规划、视觉感知、跨应用全链路执行能力的智能体，端侧AI的落地能力，已然成为划分产品竞争力的核心标尺。近日，SuperCLUE发布AgentCLUE-Mobile6月手机助手GUI智能体测评榜单，6款主流手机智能体同台竞技，最终成绩呈现出“一家领跑、三家胶着、两家追赶”的清晰格局。测评数据直指当下行业真相：参数并非决定性能的唯一标准，模型架构、任务适配度、单步决策质量，才是AI手机迈向商用的关键。

一、榜单全景：三大梯队泾渭分明，中兴实现断层领先

本次测评聚焦具备完整智能体架构与专属模型的6款产品，统一在ADB手机交互+纯视觉输入的标准化环境中开展测试，从意图解析、视觉感知、长链路执行三大核心维度量化能力，最终总成绩排名如下：

结合分数与综合能力，6款产品被划分为三大梯队，差距十分显著：

1.第一梯队（90分以上，商用级）：仅中兴GUI手机智能体入围。91.29分的总成绩遥遥领先，也是全场唯一综合能力接近商业落地标准的产品。其在简单、中等、困难全难度任务中表现稳健，7大细分维度得分均突破85分，端到端任务完成率高达93%，基本摆脱了端侧智能体“指令理解偏差、操作冗余、长链路中断”的通病。

2.第二梯队（65-75分，成长型）：智谱AIOpen-AutoGLM、阿里两款产品形成中游阵营，三款产品分差不足8分，处于胶着状态。该梯队产品具备基础的意图解析与GUI感知能力，但跨应用长链路执行成为普遍短板，任务完成率集中在56%-60%，距离规模化商用仍有明显差距。

3.第三梯队（60分以下，探索型）：阶跃星辰GELab-Zero、字节跳动UI-TARS处于追赶阶段。其中UI-TARS以30.19分垫底，与榜首差距超60分，纯视觉小模型在复杂手机交互场景中的能力短板暴露无遗；GELab-Zero虽优于UI-TARS，但整体能力薄弱，全维度得分均低于62分，任务完成率仅35%。

从调用模式来看，API调用类产品整体表现优于本地部署产品。榜单前四名中三款均采用云端API调用，而四款本地部署产品包揽后三名。这也印证了当前行业现状：受限于手机端算力、内存、功耗，纯端侧本地运行的小模型，暂时难以承载复杂GUI自动化任务，端云协同仍是现阶段最优解。

二、深度拆解五大核心结论：云端还是本地大模型？这是一个问题。

本次测评并非简单的分数排名，而是通过难度分层、步骤拆解、多维度打分，挖掘端侧GUI智能体的技术瓶颈与行业趋势，五大核心结论精准勾勒出当前赛道的技术全貌。

1.难度表现分化：部分产品“倒错配”，中等任务成最大考验

测评题目采用倒金字塔难度结构，困难题目占比最高，重点考验智能体的长链路执行、多意图并行、异常恢复能力。各产品在不同难度任务中的表现，颠覆了“难度越高、得分越低”的常规认知：

中兴实现全难度通吃：简单任务得分96.99分，困难任务仍保持85分以上，无论短指令还是多步骤复杂任务，决策稳定性拉满。

第二梯队两款产品出现难度逆序现象：Open-AutoGLM困难任务得分76.71分、中等任务68.68分；Mobile-Agent-3.5困难任务73.09分、中等任务58.17分。困难任务得分反超中等任务，核心原因是中等任务包含大量隐式指令、多意图并行判断，对模型的规划稳定性要求更高，反而比线性长链路的困难任务更难应对。

第三梯队全线拉胯：MAI-UI、GELab-Zero遵循得分随难度递增递减的规律，但整体分值偏低；UI-TARS更为极端，简单、中等、困难三类任务得分均徘徊在30分左右，属于“全难度失效”，无法胜任基础手机自动化操作。

2.执行效率：完成率与操作步数强绑定，冗余操作是体验硬伤

测评从任务完成率和平均操作步数两大维度，衡量智能体的执行效率，这也是直接影响用户体验的核心指标：

中兴：93%的超高完成率，平均每题仅10.83步。单步决策精准，几乎无冗余点击、回退操作，执行效率、准确率双优，完全适配日常用户使用场景。

第二梯队：完成率集中在56%-60%，步数差异明显。Mobile-Agent-3.5（59%/12.15步）效率相对均衡；MAI-UI完成率56%，平均步数高达17.23步，存在大量无效操作，呈现“操作多、正确率低”的问题。

第三梯队：陷入“步数越多、错误越多”的恶性循环。GELab-Zero完成率35%，平均16.75步；UI-TARS完成率仅18%，平均步数达到20.62步，相当于每执行11步才能成功一次，实用性极低。

行业规律在此得到验证：智能体的实用化瓶颈，不止是“能否完成任务”，更是“用多少步骤完成任务”。压缩无效操作、提升单步决策质量，远比单纯提升整体正确率更能优化用户体验。

3.云端模型断层领跑，本地小模型“参数越大未必越强”

模型架构与场景适配度，优先级远高于参数量：

27B参数的中兴Nebula-PilotV1.0一骑绝尘，相较第二名9B参数的Open-AutoGLM拉开18分的巨大差距，大参数模型在复杂认知、长链路规划上的优势充分显现。

7B模型表现不及4B模型：字节UI-TARS（7B）得分30.19分，大幅落后于阶跃星辰GELab-Zero（4B，54.26分）。这证明脱离场景适配的参数堆叠毫无意义，针对手机GUI交互优化的小模型，能力可以超越通用型7B模型。

4B-9B参数区间出现边际效应递减：该区间内模型参数量提升带来的能力增益十分有限，厂商单纯依靠“堆参数”提升产品竞争力的路线已经走不通。

4.能力短板：跨应用执行成为行业通用瓶颈，短板决定上限

测评设置7大细分能力维度，热力图数据清晰展现各产品的能力矩阵，同时揭示了全行业的共性短板：

中兴：能力全面均衡，六大核心维度（简单/中等/困难任务、意图拆解、GUI感知、跨应用执行）得分全部突破85分，无明显短板，这也是其高完成率的核心支撑。

第二梯队：认知、感知能力尚可，但跨应用全链路执行集体拉胯。Open-AutoGLM、Mobile-Agent-3.5该维度得分分别为65.69分、67.10分，多应用切换、数据迁移、通知栏联动等复杂场景处理能力不足；MAI-UI分化严重，意图拆解得分76.72分，但跨应用执行仅50.79分，“认知强、执行弱”的问题突出。

第三梯队：全面落后。GELab-Zero全维度低于62分；UI-TARS仅GUI感知维度达到46.06分，其余维度均低于31分，纯视觉模型难以兼顾认知、规划、执行全流程。

总结来看：智能体的端到端成功率，由最弱维度决定。当下多数产品卡在“跨应用执行”环节，这也是从“玩具级AI”走向“工具级AI”必须攻克的核心关卡。

5.场景实战：典型任务落地对比，差距直观可见

本次测评选取多意图并行+跨应用执行的高频复杂任务作为典型案例：“高德搜索海底捞并导航至最近门店，打开微信在产品交流群发送位置共享”，完整还原用户真实使用场景，两款梯队代表产品的表现差距一目了然。

1.中兴GUI手机智能体（满分100分）

全程15步操作，每一步逻辑连贯、动作精准。依次完成打开高德、搜索关键词、按距离排序选择最近门店、启动导航、返回桌面、打开微信、进入群聊、开启实时位置共享，无一步冗余、无一次误操作，精准理解“最近门店”“位置共享（实时共享）”两大核心指令，完美匹配用户真实诉求。裁判判定所有步骤有效，是全场唯一满分完成该复杂任务的产品。

2.GELab-Zero（得分53.85分）

总计13步操作，出现两处核心错误：第一，搜索海底捞后，未选择距离最近的门店，违背“导航至最近一家”的指令；第二，混淆微信“发送静态位置”与“共享实时位置”功能，误选静态位置发送，偏离“位置共享”的核心要求。两大关键失误直接导致任务失败，大量操作沦为无效动作，也是中低端智能体的典型问题：指令理解浮于表面，无法区分相似功能、隐性约束条件。

该案例也直观解释了分数差距背后的用户体验差异：优秀的GUI智能体可以像人一样理解复杂自然语言、区分细节指令；而落后产品仅能完成基础点击，遇到多意图、隐性规则便容易出错。

三、总结：GUI智能体，重新定义下一代手机的核心体验

智能手机硬件创新已经触顶，摄像头、芯片、快充的同质化内卷难以再撬动换机需求，具备自主执行能力的GUI智能体，成为行业突破增长瓶颈的新变量。

本次AgentCLUE-Mobile测评交出了一份清醒的成绩单：当下国内手机智能体赛道梯队已然固化，中兴凭借自研27B大模型与深度场景优化，率先站在商用门槛之上；智谱、阿里等玩家处于成长阶段，仍需补齐长链路执行短板；而纯视觉小模型路线遭遇明显瓶颈。

对于整个行业而言，这场测评敲响了警钟：AI手机的竞争，早已不是“有没有大模型”的概念之争，而是“模型能不能用、用得好不好”的落地之争。参数只是数字，架构、适配、工程能力、场景打磨，才是决定产品最终体验的核心。

站在行业拐点之上，AI手机大战才刚刚开始。短期来看，端云协同仍是主流，全面商用的产品将率先收割市场；长期来看，随着端侧算力持续升级、模型技术不断迭代，本地部署的轻量化高性能智能体，或将成为最终形态。