OpenMobile-2: agente de código aberto para celular fica atrás só do Gemini 3.1 Pro em testes com aparelho real

Pesquisadores da China publicaram o OpenMobile-2, um agente que opera apps de celular sozinho, junto com todo o ambiente de treino. Em testes num aparelho Android real, ele superou outros modelos abertos e ficou atrás apenas do Gemini 3.1 Pro, do Google.

Um agente de inteligência artificial que opera aplicativos de celular sozinho (tocando, digitando, navegando entre telas como uma pessoa faria) é uma das apostas mais caras do setor, porque treinar esse tipo de modelo exige muitos dados de uso real, geralmente trancados dentro de grandes empresas. Em outubro de 2026, pesquisadores da Universidade de Nanjing, da empresa chinesa SenseTime e de outras universidades publicaram o OpenMobile-2, um projeto de código aberto que tenta fechar essa diferença: além dos modelos prontos, eles liberaram o ambiente de treino inteiro, os dados gerados e as instruções para reproduzir tudo.

O resultado mais chamativo apareceu num aparelho Android de verdade, não em simulação: o modelo maior do projeto marcou 59,6 pontos no SPA-Bench (um teste que mede quantas tarefas o agente completa corretamente num celular físico), o melhor número já registrado por um modelo aberto nesse benchmark, ficando atrás apenas do Gemini 3.1 Pro entre os modelos testados.

O que é o OpenMobile-2 na prática

O projeto entrega dois agentes, construídos sobre os modelos de linguagem Qwen3.5 (9 bilhões de parâmetros) e Qwen3.6 (27 bilhões de parâmetros). Parâmetro é cada variável interna que o modelo ajusta durante o treino; quanto mais parâmetros, maior a capacidade do modelo, mas também o custo para rodar.

A peça central não é o modelo em si, e sim o ambiente de treino: mais de 110 aplicativos simulados onde o agente pratica tarefas repetidamente, algo impossível de fazer em apps reais sem gastar dinheiro de verdade ou esbarrar em login e checkout.

Por que recriar 110 apps em vez de usar os originais

Treinar em apps reais é caro e difícil de repetir: cada tentativa pode envolver uma compra de verdade, um login que expira ou um estado que não volta ao ponto inicial. A saída dos pesquisadores foi reconstruir 35 aplicativos, entre eles Taobao, JD, DiDi e Meituan (populares sobretudo na China) e serviços usados globalmente como Slack e Google Drive. Somando a apps que já existiam em simulação e outros rodando num emulador Android, o ambiente de prática chega a mais de 110 aplicativos.

Revisores humanos compararam cada réplica ao aplicativo original e ajustaram até o fluxo de telas bater. Pedidos, orçamentos e planos de viagem persistem entre sessões, e dados podem passar de um app para outro via área de transferência. Cada simulação volta ao estado inicial automaticamente, e o agente só enxerga capturas de tela, sem acesso aos dados internos do app, imitando como uma pessoa realmente usaria o aparelho.

Desse ambiente saíram cerca de 11.600 exemplos de fluxos de trabalho e mais de 2.000 tarefas de prática com verificação automática de sucesso. O modelo que gerou esses exemplos foi o Gemini 3.1 Pro, do Google, usado como professor: na prática, um modelo aberto está aprendendo a partir das respostas de um modelo fechado, algo que vale notar para quem pensa em reproduzir o processo sem depender de uma API paga.

Os números que separam o OpenMobile-2 do antecessor

Nos testes estabelecidos, o ganho foi consistente nos dois tamanhos de modelo:

O salto mais expressivo foi justamente no teste em aparelho real, onde o modelo maior (27B) passou de 31,9 para 59,6 pontos, no mesmo padrão de comparação antes/depois do treino usado nos outros benchmarks (AndroidWorld e MobileWorld). A fonte não confirma que esse 31,9 seja o escore do OpenMobile-1 (o antecessor); pelo padrão do estudo, trata-se de uma versão anterior do próprio modelo maior, não do agente da geração passada. Isso importa porque simulação e aparelho real raramente se comportam igual: um agente pode ir bem num emulador e travar diante de uma tela de verdade com propaganda, pop-up ou layout levemente diferente.

Mais apps no treino rendeu mais que mais dados

O achado mais útil para quem vai montar seu próprio pipeline de treino não é o placar final, e sim um teste de controle: mantendo a mesma quantidade de dados de treino, os pesquisadores só aumentaram o número de apps diferentes praticados. Isso elevou a taxa de sucesso em apps nunca vistos de 60,7 para 67,5 por cento.

Em resumo: com orçamento de dados fixo, diversificar os aplicativos de treino rendeu mais generalização do que empilhar mais exemplos de poucos apps. Aplicar aprendizado por reforço (uma etapa extra que recompensa o modelo por completar tarefas corretamente) por cima do treino trouxe ganhos limitados, e no AndroidWorld o modelo maior até piorou ligeiramente, caindo de 80,8 para 79,9 pontos.

Comandos diretos: um atalho que precisa ser ensinado

Uma parte experimental do estudo testa se o agente consegue pular a navegação por menus. Mais de 50 dos apps simulados oferecem comandos diretos, como "adicionar ao carrinho", que o agente pode chamar sem precisar tocar em cada tela até chegar lá. Sozinho, esse recurso quase não ajudou: os modelos simplesmente ignoravam os atalhos sem treino específico para usá-los.

Depois de treinados para isso, os agentes passaram a usar os comandos diretos com folga, resolvendo até 10,3 pontos percentuais a mais de tarefas e gastando cerca de cinco passos a menos por tarefa. Segundo os pesquisadores, essa habilidade também se transferiu para comandos que o modelo nunca tinha visto durante o treino. Durante a etapa de aprendizado por reforço, o uso de comando direto ganhava um bônus na recompensa, mas só quando a tarefa era de fato concluída; relatar sucesso falso era penalizado.

Esse ponto conecta com uma discussão mais ampla sobre como agentes devem operar software. Um estudo de 2025 da Microsoft Research já classificava agentes que usam APIs (interfaces de programação, mais previsíveis) como mais confiáveis, e agentes que operam a interface gráfica (telas, botões, menus) como mais flexíveis, justamente porque apps de celular raramente expõem uma API aberta para automação.

A chinesa Oppo segue um caminho diferente com seu agente aberto X-OmniClaw, que roda em aparelhos reais e reaproveita caminhos já percorridos em apps como Taobao e Meituan via deeplinks, em vez de clicar menu por menu de novo. Entre os modelos fechados, o Google já embutiu controle de celular diretamente no Gemini 3.5 Flash.

O que muda para quem constrói agentes no Brasil

Para quem está testando ou planejando agentes que operam aplicativos (seja um bot de atendimento que navega num sistema interno, seja uma automação de tarefas repetitivas num ERP), o OpenMobile-2 oferece algo raro: não só o modelo, mas o ambiente de treino, os dados e as instruções de reprodução, tudo aberto. Isso dá a uma equipe de TI a chance de adaptar o mesmo princípio (treinar com muitos apps diferentes, mesmo que sintéticos) para o próprio domínio, em vez de depender só do que um fornecedor fechado decidiu publicar.

O achado da diversidade de apps também vale como critério prático na hora de montar um conjunto de treino ou de avaliação próprio: gastar o orçamento de dados cobrindo mais variedade de telas e fluxos tende a generalizar melhor do que acumular repetições do mesmo fluxo. E a lição dos comandos diretos reforça um ponto de arquitetura: sempre que o sistema-alvo expuser algum tipo de API ou atalho, vale treinar o agente explicitamente para preferir esse caminho, porque ele não aparece sozinho.

Fica em aberto, porém, a dependência de um modelo fechado (o Gemini 3.1 Pro) como professor na geração dos dados de treino, o que limita quanto do processo é de fato reproduzível sem custo de API, e o fato de que os ganhos mais sólidos ainda aparecem em ambiente controlado: o salto real em aparelho físico foi grande, mas o próprio estudo reconhece que os comandos diretos só existem, por enquanto, dentro dos apps simulados.

Fonte: The Decoder