12月17日，阶跃星辰发布全新AI Agent系列模型「Step-GUI」，包括云端模型Step-GUI、首个面向GUI Agent的MCP协议，以及业内首个支持手机部署的开源端侧模型Step-GUI Edge。该模型可在淘宝、微博、抖音等超200个APP场景中执行任务，具备视觉理解能力，并能基于指令完成用户任务。个人开发者和硬件厂商均可使用这套方案，在终端快速打造类似功能的Agent助手，最快仅需10分钟即可部署上线，为移动端AI应用提供了高效解决方案。（记者 黄心怡）

2025年12月，一款名为「豆包手机」的AI设备因强大的跨应用自动化功能引发热议。其能在数秒内完成比价下单、回微信、订机票等复杂任务，甚至在锁屏状态下后台运行。大模型实习生「宵逝」通过黑盒测试和逻辑推演，揭示其核心技术：基于Android Framework层的OS级影子系统，采用两套模式（直觉与推理）及混合感知路由，支持并行运行时和隐私隔离设计。该设备依托字节跳动的UI-TARS 2.0模型，具备多模态感知与动态规划能力，被业界视为GUI Agent技术落地的里程碑。专家认为，这标志着AI原生手机的开端，或重新定义未来智能设备形态。

2025年12月1日，大模型独角兽阶跃星辰宣布开源其GUI Agent技术及4B GUI Agent模型。此次开源的GELab-Zero套组与豆包手机助手技术类型相似，并包含完整的配套基建。同时发布的4B模型（GELab-Zero-4B-preview）在手机端、电脑端等多个GUI榜单中刷新了同尺寸模型的性能纪录，取得SOTA成绩。这一成果标志着阶跃星辰在智能交互领域的重要进展。（记者 黄心怡）

2025年11月，阶跃星辰开源了GELab-Zero，一款支持所有安卓设备的4B GUI Agent模型。该模型在多个GUI榜单中刷新同尺寸性能纪录，取得SOTA成绩，并首次同步开放完整配套基建，支持一键部署。针对移动生态碎片化问题，GELab-Zero提供端到端解决方案，涵盖轻量化本地推理、多设备任务分发及多种Agent模式，大幅降低开发门槛。同时，阶跃开源基于真实业务场景的评测标准AndroidDaily，聚焦饮食、出行等六大生活核心维度，测试显示其准确率达73.4%。研究团队表示，未来将持续优化性能并扩展跨平台支持。项目已上线GitHub和Hugging Face。

2025年9月14日，美团推出首个AI Agent支持“一句话点餐”，标志着GUI Agent技术进入实用化阶段。同年10月17日，中兴通讯Nebula-GUI模型在AgentCLUE-mobile测评中斩获总榜银牌，总分84.38，尤其在自动点餐、订票等复杂任务中表现优异。该模型已商用在努比亚Z70 Ultra等手机上，覆盖30余款主流APP，常用场景准确率超90%。中兴通过自研端到端数据制备系统和双层强化学习技术，显著提升了模型的感知、推理与执行能力，未来计划扩展至购物比价、旅游出行等更多场景。这一进展让“手机变私人小秘书”从概念走向现实，推动移动智能服务赋能多行业。

拜拜了GUI！中科院团队提出“LLM友好”计算机接口 大模型Agent自动操作电脑的理想很丰满，但现实却骨感。现有LLM智能体面临两大痛点：成功率低和效率差。复杂任务常让Agent卡住，简单任务也需要几十轮交互，耗时漫长。 问题出在哪？中国科学院软件研究所团队指出，瓶颈在于我们使用了40多年的图形用...

告别海量标注！浙大团队提出GUI-RCPO，让GUI定位在无标签数据上自我进化 无需海量标注数据，智能体也能精准定位目标元素了！浙大等机构的研究团队提出了一种名为GUI-RCPO的自我监督强化学习方法，使模型能够在无标签数据上自主提升图形界面定位（GUI grounding）能力。 什么是G...

让AI作画自己纠错！随机丢模块提升生成质量，告别塑料感废片 AI作画和视频生成可以“自我救赎”了！清华大学、阿里巴巴AMAP和中科院自动化研究所的研究团队提出了一种全新方法——S²-Guidance（随机自引导）。其核心亮点是通过随机丢弃网络模块动态构建“弱”子网络，实现生成过程的自我修正。这种方法...

2025年7月26日，荣耀正式发布并开源MagicGUI大模型，支撑YOYO智能体实现多模态感知与自动化执行。作为“阿尔法战略”重要里程碑，该模型效果比肩SOTA模型，并由荣耀Magic V5首发搭载。今年3月，荣耀在MWC大会上提出“阿尔法战略”，宣布从智能手机制造商向全球AI终端生态公司转型。未来5年，荣耀将投入100亿美元（约合716.49亿元人民币），分三个阶段构建智慧手机、智慧生态系统及智慧世界，推动AI设备生态发展，与全球伙伴共创AI新时代。

5月13日，在FORCE LINK AI创新巡展·上海站上，火山引擎发布豆包1.5·视觉深度思考模型。该模型参数仅20B，但在60个公开评测基准中有38个达到业界最佳表现。其在视频理解、视觉推理及新增的GUI Agent能力方面表现突出。视频理解领域引入动态帧率采样技术，提升视频时序定位能力；结合向量搜索，精准定位视频片段。视觉推理能力通过强化学习大幅提升，能自主推理并验证假设。新增的GUI Agent能力可在多种设备环境完成复杂交互任务，如App功能自动化检测，已在字节跳动多款产品中应用。目前，该模型已在火山方舟平台上线。