OpenMobile：タスクとトラジェクトリの合成でオープンなモバイルエージェントを構築する

要旨: 視覚言語モデルによって駆動されるモバイルエージェントは、モバイルタスクの自動化において目覚ましい能力を示しており、近年の有力モデルでは、例えばAndroidWorldで成功率が約70%に達するなど、大幅な性能向上が確認されています。 しかし、これらのシステムは学習データをクローズドに保ったままであり、タスクおよび軌道合成（trajectory synthesis）のレシピについても不透明です。 私たちは、質の高いタスク指示とエージェントの軌道を合成するオープンソースフレームワークOpenMobileを提示します。主要な構成要素は2つです: (1) 探索からスケーラブルにグローバル環境メモリを構築し、それを活用して多様で根拠のある指示を生成するタスク合成パイプライン。 (2) 軌道ロールアウトのためのポリシー切替戦略。学習モデルと専門家モデルを交互に用いることで、標準的な模倣学習（imitation learning）ではしばしば欠落している重要なエラー回復データを取り込みます。 私たちのデータで訓練されたエージェントは、3つの動的なモバイルエージェントのベンチマークにおいて競争力のある結果を達成します。とりわけ、微調整したQwen2.5-VLとQwen3-VLはAndroidWorldでそれぞれ51.7%と64.7%を達成し、既存のオープンデータ手法を大きく上回ります。 さらに、合成した指示とベンチマークのテストセットとの重なりについて透明性のある分析を行い、性能向上がベンチマークへの過剰適合ではなく、幅広い機能カバレッジによって生じていることを検証します。 データとコードはhttps://njucckevin.github.io/openmobile/で公開し、データギャップを埋め、より幅広いモバイルエージェント研究を促進します。