通義實驗室多模態交互團隊近日宣布，其研發的通用GUI智能體基座模型MAI-UI正式開源。這一模型專注于屏幕界面理解與操作執行，能夠跨應用完成多步驟復雜任務，例如查詢車票信息、在通訊群組中同步內容，或調整會議安排等日常高頻場景。
據團隊介紹，MAI-UI的核心優勢在于其主動交互能力。當用戶指令模糊時，模型會通過提問澄清需求，避免因理解偏差導致任務失敗。模型支持調用結構化工具，例如地圖搜索或路線規劃API，直接替代繁瑣的界面點擊操作，顯著提升任務執行效率與成功率。目前，該模型已推出2B和8B兩種參數規模的版本，其中2B與8B版本均已開源，供開發者自由使用。
在性能驗證方面，MAI-UI在ScreenSpot-Pro、AndroidWorld等多個GUI理解與任務執行基準測試中表現優異，成績位居當前領先水平。其應用場景覆蓋手機、電腦等主流操作系統，能夠適應不同設備的界面交互需求。這一特性使其在跨平臺任務自動化領域具有廣泛潛力。
開源后，MAI-UI有望推動智能體技術在終端設備上的落地應用。開發者可基于其基座模型，快速構建定制化解決方案，例如自動化辦公助手、智能客服系統等。團隊表示，未來將持續優化模型性能，并探索更多場景下的交互可能性。
