現(xiàn)有Mobile/APP Agent的工作可以適應(yīng)實時環(huán)境，并執(zhí)行動作，但由于它們大部分都僅依賴于動作級獎勵（SFT或RL）。

而這些獎勵只能引導(dǎo)代理預(yù)測每一步中最佳的單一動作，因此難以應(yīng)對不斷變化的移動環(huán)境。

比如一句指令：“打開飛豬，進(jìn)入酒店套餐，進(jìn)入熱門直播，找到飛豬超級VIP，并關(guān)注主播”。Qwen2.5-VL-3B-Instruct在第二步失敗。

淘天集團算法技術(shù)-未來生活實驗室&點淘算法團隊聯(lián)合提出，采用多回合、任務(wù)導(dǎo)向的學(xué)習(xí)方式，結(jié)合在線學(xué)習(xí)和軌跡糾錯，也許能提高Agent的適應(yīng)性和探索能力。

他們提出了個具有任務(wù)級獎勵（Task-level Reward）的交互式強化學(xué)習(xí)框架，即Mobile-R1。

為了確保訓(xùn)練的穩(wěn)定性，團隊提出了一個三階段訓(xùn)練過程：格式微調(diào)、動作級訓(xùn)練和任務(wù)級訓(xùn)練。此外引入新的中文基準(zhǔn)和高質(zhì)量軌跡數(shù)據(jù)集，證明了該方法在移動代理領(lǐng)域的有效性。

結(jié)果Mobile-R1順利地完成了這一任務(wù)。

軌跡數(shù)據(jù)集

團隊使用Qwen2.5-VL-3B執(zhí)行一系列任務(wù)獲得初始軌跡，并人工標(biāo)注這些初始軌跡，得到了高質(zhì)量的軌跡數(shù)據(jù)集。

其構(gòu)造可以分為數(shù)據(jù)收集和軌跡標(biāo)注兩部分，最終得到了4,635條高質(zhì)量的人工標(biāo)注軌跡，包含24,521個單步數(shù)據(jù)。

△軌跡數(shù)據(jù)集構(gòu)造流程

首先，選擇了28個中國移動應(yīng)用程序，通過人工設(shè)計和自動生成相結(jié)合的方法創(chuàng)建了多樣化的任務(wù)指令，隨后統(tǒng)一經(jīng)過人工審核，去除了部分不合理指令。在使用Qwen2.5-VL-3B模型執(zhí)行這些指令后，成功收集了大量動作執(zhí)行軌跡，軌跡中的每一步都包含模型輸出的思考，需要執(zhí)行的動作以及對應(yīng)的工具調(diào)用。

得到軌跡后，針對模型的輸出做了以下三個維度的標(biāo)注：

• 邏輯思考：將所有思考修正為“當(dāng)前狀態(tài)+下一步的動作+動作目的”的格式，比如“當(dāng)前在手機主屏（當(dāng)前狀態(tài)），下一步是點擊淘寶圖標(biāo)（下一步動作）來進(jìn)入淘寶（動作目的）”。如果原思考內(nèi)容錯誤也會人工標(biāo)注者會按照該格式重寫思考。

• 清晰動作：清晰動作是單步可執(zhí)行操作的一句話描述，動作應(yīng)符合思考的內(nèi)容并且可推動任務(wù)的完成。

• 準(zhǔn)確調(diào)用：人工標(biāo)注者會修正錯誤的操作調(diào)用，包括類型錯誤以及參數(shù)錯誤。

訓(xùn)練流程

訓(xùn)練流程由三個階段構(gòu)成，基于Qwen2.5-VL-3B。這三個階段分別是初始格式微調(diào)、動作級在線訓(xùn)練和任務(wù)級在線訓(xùn)練。

Stage1：初始格式微調(diào)

在第一階段，對模型進(jìn)行初始格式微調(diào)。這一步是通過監(jiān)督微調(diào)（SFT）的方式進(jìn)行的，使用的是之前人工標(biāo)注的高質(zhì)量軌跡數(shù)據(jù)集。在微調(diào)過程中，模型不僅會學(xué)習(xí)如何將用戶的指令與當(dāng)前的GUI狀態(tài)對應(yīng)起來，還會調(diào)整輸出格式以符合預(yù)期的結(jié)構(gòu)，包括邏輯思考、清晰動作和準(zhǔn)確調(diào)用。

Stage2：動作級在線訓(xùn)練

在第二階段，模型通過群體相對策略優(yōu)化（GRPO）進(jìn)行動作級在線訓(xùn)練。此階段使用動作級獎勵（Action-level Reward）來評估每個動作的正確性，同時確保輸出格式的完整性。動作級獎勵由可驗證動作獎勵和格式獎勵組成，其中可驗證動作獎勵能夠量化動作的正確性，而格式獎勵則確保模型輸出是結(jié)構(gòu)化、可解釋的。

• 動作級獎勵。1）對于基于坐標(biāo)的動作（如點擊、滑動），如果預(yù)測的坐標(biāo)落在目標(biāo)GUI元素的真實邊界框內(nèi)，則獎勵為1，否則為0。2）對于非坐標(biāo)的動作（如輸入文本），如果預(yù)測的動作或參數(shù)與真實值完全匹配，則獎勵為1，否則為0。

• 格式獎勵。格式獎勵促使模型生成符合標(biāo)簽和結(jié)構(gòu)要求的輸出，確保響應(yīng)的邏輯思考、動作以及工具調(diào)用的格式化。

Stage3：任務(wù)級在線訓(xùn)練

在第三階段，通過多步驟任務(wù)級在線訓(xùn)練來提高模型的泛化能力和探索能力。

在動態(tài)的移動環(huán)境中，模型需要進(jìn)行自由探索和錯誤糾正，因此我們將問題定義為馬爾可夫決策過程，以允許多回合的互動。

任務(wù)級獎勵由格式獎勵和軌跡級獎勵組成，旨在鼓勵模型在整個軌跡中保持對響應(yīng)格式的遵循，同時評估任務(wù)的完成情況。

• 軌跡級獎勵。軌跡級獎勵使用外部高精度的MLLM，GPT-4o來評估整個歷史互動軌跡，確保步驟和動作的一致性以及任務(wù)的完成情況。

• 格式獎勵。格式獎勵在此階段仍然起著重要作用，為整個軌跡計算平均格式獎勵，并通過[-1, 1]的范圍來對錯誤施加更嚴(yán)格的懲罰，以增強輸出的精確度。

訓(xùn)練的部分階段在淘天自研的強化學(xué)習(xí)框架ROLL上進(jìn)行實驗。

實驗結(jié)果

實驗中，主要評估了模型在自定義benchmark上的性能，并進(jìn)行了針對模型泛化能力的魯棒性分析，以驗證Mobile-R1的表現(xiàn)。

△整體實驗結(jié)果，粗體表示最佳結(jié)果，下劃線表示次優(yōu)結(jié)果

結(jié)果顯示，Qwen2.5-VL-32B 和 AgentCPM-8B 在性能上表現(xiàn)類似。

其中，AgentCPM-8B 由于專為中國移動生態(tài)系統(tǒng)優(yōu)化，因此在中文場景中表現(xiàn)優(yōu)異。更為顯著的是，Mobile-R1在所有基準(zhǔn)中表現(xiàn)最佳，任務(wù)成功率達(dá)到49.40，比最優(yōu)秀的baseline model高出將近20點。

Stage 3的訓(xùn)練進(jìn)一步增強了Mobile-R1的表現(xiàn)，其成功率比只有階段1和階段2訓(xùn)練的模型高出1.4點，這得益于任務(wù)級GRPO的有效應(yīng)用。

特別值得注意的是，通過階段1和階段2的訓(xùn)練，Qwen2.5-VL-3B模型的表現(xiàn)超越了其標(biāo)準(zhǔn)版本，并在多項指標(biāo)上領(lǐng)先于其他基準(zhǔn)模型，突顯了動作級和任務(wù)級獎勵機制的重要性。

△Stage 3訓(xùn)練的獎勵曲線

此過程中，Stage 3的獎勵分?jǐn)?shù)顯示出在前四個訓(xùn)練步驟中穩(wěn)步增長，表明學(xué)習(xí)過程是有效的。然而，在步驟5到10之間，獎勵有所下降，這可能是由于策略過于激進(jìn)或探政策的改變導(dǎo)致的不穩(wěn)定性。最終從步驟11開始，獎勵再次上升，這表明策略得到了有效的優(yōu)化和改進(jìn)。

Mobile-R1在處理未見應(yīng)用時表現(xiàn)出良好的泛化性，而其他模型在泛化能力上存在挑戰(zhàn)。Mobile-R1的優(yōu)異表現(xiàn)主要歸功于Stage 3的訓(xùn)練，這一階段有效增強了模型的魯棒性和適應(yīng)性。

△魯棒性分析結(jié)果，粗體表示最佳結(jié)果

最后總結(jié)，在本文中，Mobile-R1通過在動態(tài)環(huán)境中整合交互式強化學(xué)習(xí)與任務(wù)級獎勵，顯著提升了基于視覺語言模型（VLM）的移動代理的能力。

通過包括格式微調(diào)、動作級GRPO訓(xùn)練和任務(wù)級GRPO訓(xùn)練在內(nèi)的三階段訓(xùn)練過程，克服了以往方法僅依賴單一動作預(yù)測的局限性。

實驗結(jié)果表明，Mobile-R1在所有指標(biāo)上都超越了所有基準(zhǔn)。此外，團隊計劃全面開源相關(guān)資源以促進(jìn)進(jìn)一步的研究。