علی‌بابا با پلتفرم متن‌باز MAI-Gym، آموزش و سنجش ایجنت‌های هوش مصنوعی را یکپارچه کرد

معرفی

پلتفرم MAI-Gym یک محیط متن‌باز و همه‌جانبه برای ارزیابی، جمع‌آوری داده و یاد‌گیری تقویتی (RL) برخط ایجنت‌های رابط گرافیکی (GUI) در سیستم‌های موبایل، کامپیوتر و وب است که توسط تیم MAI-UI در گروه علی‌بابا (آزمایشگاه Tongyi و Alibaba Token Hub) توسعه یافته است. مقاله پژوهشی این پروژه با عنوان «MAI-Gym: An Open All-in-One Platform for GUI Agent Evaluation and RL Training across Mobile and Computer Environments» (با شناسه arXiv:2610.20939) در اواسط اکتبر ۲۰۲۶ منتشر شد و در ۳۱ اکتبر ۲۰۲۶ توجه گسترده‌ای را در جامعه هوش مصنوعی به خود جلب کرد.

تیم توسعه‌دهنده هم‌گام با عرضه این فریمورک، مدل MAI-Gym-9B را نیز بر پایه مدل Qwen3.5-9B آموزش داده و منتشر کرده است. این مدل یک ایجنت واحد برای کار با گوشی هوشمند و دسکتاپ به‌شمار می‌رود که موفق شده است به امتیاز ۷۸٫۴ درصد در بنچمارک MobileWorld و ۷۶٫۲ درصد در آزمون OSWorld-Verified دست یابد؛ رکوردی که بهترین عملکرد را میان ایجنت‌های گرافیکی متن‌باز با کمتر از ۱۰ میلیارد پارامتر به ثبت می‌رساند. گفتنی است از MAI-Gym برای آموزش ایجنت Qwen-UI-Agent علی‌بابا نیز استفاده شده است.

مشخصات کلیدی

• توسعه‌دهنده: تیم MAI-UI در گروه علی‌بابا (آزمایشگاه Tongyi و Alibaba Token Hub)؛ با سرپرستی استیون هوی (Steven Hoi) به‌عنوان یکی از نویسندگان مسئول
• مقاله پژوهشی: با شناسه arXiv:2610.20939 (ثبت‌شده در ۱۴ اکتبر ۲۰۲۶)
• دامنه کاربرد: استفاده از یک پایپ‌لاین اجرای مشترک برای ارزیابی و آموزش، به گونه‌ای که ایجنت در هر دو فرایند رفتاری کاملاً یکسان داشته باشد
• بنچمارک‌ها: پشتیبانی از ۱۰ بنچمارک معتبر (از جمله MobileWorld، AndroidWorld، OSWorld-Verified، OSWorld 2.0، MacAgentBench، MyPCBench، MobileGym و موارد دیگر)
• مقیاس‌پذیری: توانایی اجرای هم‌زمان تا ۲۰ هزار نمونه محیط موازی
• ساخت خودکار محیط‌ها: تولید خودکار برنامه‌ها و وظایف گرافیکی شامل ۴۹ اپلیکیشن شبیه‌سازی‌شده با قابلیت بازنشانی، محیط‌های منسجم چندبرنامه‌ای و ابزارهای اعتبارسنجی وظایف مبتنی بر اجرای واقعی کد
• موارد منتشرشده: فریمورک کامل، ابزارهای ساخت خودکار، اپلیکیشن‌های شبیه‌سازی‌شده، ۲ هزار وظیفه اعتبارسنجی‌شده و چک‌پوینت نهایی مدل MAI-Gym-9B

دستورالعمل آموزش مدل MAI-Gym-9B

1. پیش‌آموزش اولیه (SFT Warm-up): تنظیم دقیق نظارت‌شده بر روی داده‌های ترکیبی رابط کاربری گرافیکی و خط فرمان برای موبایل و دسکتاپ.
2. یاد‌گیری تقویتی مشترک (Joint RL): استفاده از روش بهینه‌سازی سیاست گروهی (GRPO) بر روی ۵ هزار وظیفه تولیدشده از محیط‌های MobileWorld و OSWorld در یک اجرای واحد، به‌جای آموزش مدل‌های مجزا برای هر بخش و ادغام وزن‌ها.
3. سازوکار ارزیابی و منابع پردازشی: پاداش‌های اعتبارسنجی‌شده با کد، نمونه‌برداری تطبیقی وظایف بر اساس سیاست مدل و بهره‌گیری از تاریخچه پنجره‌ای؛ در مدت زمان تقریبی ۹۶ ساعت روی ۵۱۲ پردازنده گرافیکی (GPU).

نتایج و ارزیابی عملکرد

• کسب امتیاز ۷۸٫۴ درصد در MobileWorld و ۷۶٫۲ درصد در OSWorld-Verified که جایگاه برترین مدل (SOTA) را میان ایجنت‌های گرافیکی متن‌باز کمتر از ۱۰ میلیارد پارامتر تثبیت می‌کند
• انتقال موفق یاد‌گیری تقویتی از اپلیکیشن شبیه‌سازی‌شده خرید بلیت قطار به اپلیکیشن واقعی، که نرخ موفقیت کار روی گوشی واقعی را از ۲۸٫۸ درصد به ۴۸٫۱ درصد ارتقا داد
• آموزش روی اپلیکیشن‌های کاملاً جدید و تولیدشده با هوش مصنوعی که نرخ موفقیت در وظایف جدید و نادیده‌گرفته‌شده را از ۲۵٫۸ درصد به ۴۵٫۲ درصد رساند

چرا این دستاورد مهم است؟

پژوهش‌های مرتبط با ایجنت‌های رابط کاربری همواره از پراکندگی ابزارهای سنجش و هزینه‌های سنگین ایجاد محیط‌های تعاملی رنج برده‌اند. پلتفرم MAI-Gym یک زیرساخت متن‌باز و تکرارپذیر را فراهم می‌کند که این محیط‌ها را به‌صورت یکپارچه گرد هم می‌آورد و برای هر فرد یا تیمی که به دنبال ساخت ایجنت‌های خودکار کار با موبایل یا کامپیوتر است، بسیار کاربردی خواهد بود.

راهنمای شروع به کار

1. مطالعه مقاله در مخزن arXiv با شناسه arXiv:2610.20939 و مشاهده صفحه پروژه به نشانی tongyi-mai.github.io/MAI-Gym.
2. کلون کردن فریمورک متن‌باز از سازمان گیتهاب Tongyi-MAI و راه‌اندازی شبیه‌سازها و بسترهای مورد نیاز (امولاتورهای اندروید، ماشین‌های مجازی دسکتاپ و محیط وب).
3. اجرای ارزیابی روی بنچمارک‌های پشتیبانی‌شده با ایجنت اختصاصی خود، یا دانلود چک‌پوینت مدل MAI-Gym-9B به‌عنوان خط مبنا (Baseline).
4. استفاده از دستور mai-gym train با تنظیمات پیش‌فرض و بهره‌گیری از ابزارهای سنتز برنامه و وظیفه برای ساخت اپلیکیشن‌های شبیه‌سازی‌شده و اعتبارسنج‌های جدید در فرایند آموزش.

بهترین موارد کاربرد

• ارزیابی و مقایسه ایجنت‌های کار با گوشی و کامپیوتر تحت یک بستر سنجش استاندارد و یکپارچه
• اجرای یاد‌گیری تقویتی برخط برای ایجنت‌های گرافیکی به‌همراه پاداش‌های قابل راستی‌آزمایی
• تولید محیط‌های برنامه‌ای ساختگی با قابلیت بازنشانی آسان برای آموزش ایمن مدل‌ها

نکات کاربردی

• اجرای یاد‌گیری تقویتی در مقیاس کامل نیازمند توان پردازشی قابل توجهی است (در این مقاله از ۵۱۲ تراشه گرافیکی استفاده شده است)؛ بنابراین بهتر است کار را با ارزیابی یا آزمایش‌های کوچک‌مقیاس آغاز کنید.
• حتماً پیش از پیاده‌سازی و به‌کارگیری نهایی ایجنت، عملکرد آن را روی دستگاه‌ها و اپلیکیشن‌های فیزیکی و واقعی اعتبارسنجی کنید.