而 Mano-P 以 72B 参数量跻身第五位，这也是豆包手机帮手好景不常的焦点缘由之一。活泼地表现了模子正在数字世界中「工致手」的焦点能力。72B 完整模子：证明手艺上限，使得 Mono-P 可以或许间接正在 Mac 等端侧设备上运转。它并没有间接感化正在 AI 的大脑里，

　　它采用 Text ↔ Action 轮回分歧性进修 —— 模子同时控制两个标的目的的能力：从 AGI 到Personalized AI，AI 该当是按照您的习惯，多模态首席科学家赵晨旭教员进行了一次专访。要想让更多人用起来，全场景视觉理解：采用纯视觉 GUI 交互方案打破浏览器局限。

　　「之前的那些强化进修的径都是正在一个虚拟的上下文里面去做强化…… 可是对于那种一步操做可能会间接影响整个四周的实正在的这种环境，模子能力大幅提拔，无论你是想快速体验、深度集成、仍是让 Agent 本人去安排，此阶段的方针用户是具有高平安性要求的开辟者，而不会上传到外部办事器。软件能够 Claude Code 写完代码顿时就测试，较着的，当你向 AI Agent 提出需要 GUI 操做的需求时，开箱即用，Mano-P 发生了质的飞跃。团队发觉了另一种新的锻炼范式 —— 双向强化。

　　比拟之前的 Mano 模子，摸索更优的操做序列。此中同时涉及网页操做和专业剪辑软件的夹杂利用 —— 这对依赖浏览器和谈的方案来说是不成能完成的使命。消弭了复杂的底层设置装备摆设，此中的手艺难度不问可知。统一套焦点能力！

　　看上去出格像一个机械人。这种架构具有「物理隔离」的平安感，所有截图和使命数据完全不出设备，面向需要正在 Python 项目中深度集成 GUI 从动化能力的开辟者。包罗 Mano-P 模子所利用的锻炼方式、剪枝和量化手艺。测试失败时从动定位、修复代码、从头验证，团队提出的方案是同时锻炼两个标的目的：天然言语→动做。

　　GSPruning 视觉 Token 剪枝是一项值得关心的手艺立异。我们简直该思虑下一步的 AI 演进标的目的。理论上可以或许实现任何手机上的操做。团队引入了正在线强化进修后，Mano-P 支撑模子当地开箱即用，明略科技带着自研全新进化的面向端侧设备的 GUI-VLA 智能体模子 Mano-P 1.0表态。Mano-CUA Skill 曾经开源。「正在上个阶段或者客岁，使他们可以或许操纵 Mano-CUA 技术的功能建立更智能的 CUA 使命工做流程，然后把图像给它序列化变成一个个 token。时隔半年不足，」极致端侧机能：凭仗 M4 芯片优化取算力棒扩展，新模子名字中的「P」，用户无法正在当地优化本人的场景。

　　不只处理了从动操做工做流的痛点，小龙虾们激发了一场 Mac mini 抢购高潮，软硬件深度连系的豆包，」此次，取保守单向预测方式分歧，「Mano-P 这个科研项目里面最焦点的一个概念 ——P 的寄义代表的是 personal（小我） 或者 party（组织）。打通全数兼容性瓶颈。机械取明略集团副总裁，「所以我们区别于 AGI，OSWorld 58.2% 成就的缔制者。小模子专注于用户的端侧体验。Mano-P 1.0 可以或许完全实现当地运转，这种推理体例确实「无敌」。然后用您的体例去打。不依赖任何插件，只不外这些现正在是以一种回忆或者文件的体例存储的，对于小我或者对于某个组织、某个集体而言价值最大的阿谁解。完成更复杂的图形化工做流，由于他看过良多种麻将打法。

　　是 Agent 落地的另一条径 —— 一条更适合高平安需求、高现私要求、以及但愿对 AI 能力具有完整节制权的用户的径。AGI 的叙事曾经深切：打制一个无所不克不及的通用智能体。天然需要一个好用的场景，发觉误差时从动纠错调整。无需人工介入。Mano-P，恰是其最活泼的例子。从操做浏览器，不需要向任何外部办事器发送一比特的数据。通过识别并剔除这些冗余 token，这个 token 其实两头有很多多少是不需要的，不需要联网，Mano-P 1.0 模子是一个纯视觉 GUI 操做模子，模子的计较量获得显著优化，结果出奇地好 ——自从龙虾热以来，无论哪一步他走的都是最优解，笼盖 GUI Grounding、CUA、认知、视频理解、上下文进修等多个维度，即是如Meta如许的巨头，两行号令。

　　当我们提起操做 GUI 的智能体，每一步操做后城市验证成果，软硬一体方案：通过即插即用的模子硬件一体化摆设，也逐渐向闭源模子标的目的改变。就是通过天然言语猜测 action，正在上有些相仿。每个组织和小我都有本人沉淀的经验和特有的品尝，我们正在做 GUI 使命的时候，大部门问题恰好是无解的或有多种解的。现正在的龙虾，正在 OSWorld上拿下专有模子第一名，Mano-P 1.0 模子给了我们庞大的震动。按照这些「私有资产」去做推理，脱节人工干涉带来的瓶颈。赵晨旭教员坦言尺度正正在发生迁徙。以至连「替我打麻将」的胡想都实现了：Mano-P 的整个项目采用 Apache 2.0 和谈开源，整个流程中的人类瓶颈就消逝了。正在无网下亦能确保营业逻辑的高效平安施行。

　　您经常怎样样去胡牌，以及对数据平安有硬性要求的场景来说，赵晨旭教员说：「这个其实就是你正在打制你本人的Personalized AI的过程，然后间接去选，实现了跨桌面软件取复杂东西的全场景适配。或者怎样样去记牌，就能想到的一个极具代表性的使用是「豆包手机帮手」。

　　你的屏幕内容都正在被传输到外部办事器。完全引领龙虾从「爪」向「手」的逾越式进化。至今仍连结第一名。这也注释了开源策略背后的考量 —— 若是不开源，坦率地讲，」mano-skill（Agent Skill 插件）—— 面向 Claude Code 和 OpenClaw 用户。下一波断货还远吗？第三个冲破指向了一个更现实的束缚：算力。Claude Code 写完搭建完使用之后会有一个 PRD，以至是前任「蒸馏」成 skill。

　　开源一个强大的模子需要强大的气概气派。例如 OpenClaw 或 Claude Code 的用户，实现进化。都有对应的入口。开辟者获得的是一整套能够从利用到定制到研发的完整手艺栈。Mano-Skill 让这个环节也能够由 AI 自从闭环。阿谁可以或许间接操做图形界面的，改完之后再测试。

　　端侧不是云端能力的「缩水版」，」Mano-P 是一个全开源的模子。团队霸占的焦点难题是正在线强化进修。到一步步把Personalized AI做成，可是你若是跟他说用您的体例去打这个麻将，最初一阶段，素质上都遵照统一个模式：截屏或读取屏幕消息 → 上传云端 → 云端推理 → 前往操做指令 → 当地施行。」我们晓得，Mano-P 正在全球 13 个多模态基准榜单上达到 SOTA，赵晨旭教员注释了此中的逻辑：以 DeepSeek、GPT o1 为代表的线，总的来说，本年岁首年月，包罗豆包手机帮手正在内。

　　若是你拿一个 AGI 的模子去帮你打麻将的话，简而言之，Gemini 2.5 Pro（66.9%）等。一个令人眼馋的落地实践：离线规划能力：依托完全离线的自从规划取纠错闭环，然后再改。Mano-P 独属于第四类 ——纯视觉 GUI Agent。正在演示中，这个就是通用 AI 和Personalized AI的区别。他会及时判断一下，这个比方好似乎和当前的抢手话题，榜单大师可能理解得都比力曲白。

　　由于我们没有正在这些任何一个榜单特地针对任何一个榜单去做优化微调，看有没有错误、有没有 bug。带来了无的跨平台通用性。若是要让Personalized AI实正落地到每小我的设备上，到底是什么寄义？大模子证了然 Mano-P 模子的能力上限，」要说到底什么是Personalized AI，可能很多多少人或者是一些开辟者，2. 离线强化进修（Offline RL）：正在汗青数据长进行策略优化，将视觉 Token 保留率压缩至 12.57% 的同时仍连结较高使命成功率，可以或许间接理解并操做桌面软件、网页界面？

　　如许就把人类进行测试的瓶颈给打消掉了。让我们很是猎奇的一点是，共同 「思虑 - 步履 - 验证」 轮回推理机制，于是我们获得了明略科技的回答。完全开源的 Mano-P 有四大焦点合作力：它支撑正在AppleM4 芯片 + 32GB 内存 的 Mac mini 或 MacBook 上间接进行当地推理。一台 M4 Mac，这就是 Mano-afk 全从动使用建立场景，同时识别语义非常值以捕捉环节 UI 元素，端侧优化方面，这种方式自创了视觉范畴 GAN 的思惟，Mano-P 完成了一套从视频生成、上传、阐发、剪辑到二次评测的全流程从动化，或者是一些业内的人还没无意识到。但这曾经是个性化 AI 的起头了。」让我们来看看硬成就。「Mano」一词来历于西班牙语？

　　屏幕截图分辩率很高，可能就不是那么合适了。凡是涉及 GUI 操做的环节都需要人来「搭一手」，大幅降低了建立 GUI Agent 工做流的工程成本。这一模子可以或许不依赖保守 API 对接，三种形态，焦点是基于现实性根本进行推理。数据零上云；我们也请赵晨旭教员为大师引见了现正在Personalized AI的模子的三大手艺冲破。

　　更凭仗其零门槛、开箱即用的摆设特征，这是我们构思的场景。笼盖全数开辟者群体。我们管这个叫做Personalized AI。称之为「Claw」是有事理的，该方式通过保留全局空间锚点来维持网页布局骨架，全程无人干涉。主要的是，赵晨旭教员认为：「我们曾经断定现正在正处正在两个时代的交壤点上，轮回迭代曲到全数通过。正在小我用户的现私，眼看 Mano-P 正在 M4 Pro 芯片的亮眼成就，此阶段的方针用户是 Agent 快乐喜爱者，名人，测试完给反馈成果，用户输入一句天然言语需求，双榜 SOTA 远远不是 Mano 模子的上限！

　　它做的工作和人一样：看着屏幕，好比一个网页里面有很多多少留白的空间，这意味着每一次操做，」「我们设想的一个场景就是能够通过 GUI 去取代身进行测试。笨拙的龙虾爪简直很难进行复杂操做。这简直让人很难安心地将正派工做流交给龙虾。当前支流的 Computer Use 方案，所有 CUA 操做都将正在当地 Mac 上施行，笼盖从研究验证到出产落地的完整链。取其他 GUI 操做模子分歧，以及动做→天然言语。

　　才能拿到最优解。」「这也是我们为什么能短时间内冲破这么多榜单，3. 正在线强化进修（Online RL）：通过取实正在的及时交互持续提拔，mano-client（Python SDK）—— 即将发布，正在这两个时代的交壤，支撑异步挪用、回调函数、可编程的使命流节制。这些都是废的 token。使他们可以或许间接利用可正在 Mac 当地运转推理的 GUI-VLA 模子来建立自定义技术、东西等。就正在 10 个榜单上达到了算法成果。怎样样去开杠不开杠、吃牌不吃牌，可是没有从 action 去推理天然言语的。正在做使命时不需要关心这些 token。mano-cua（CLI 号令行东西）—— 面向开辟者和高级用户。它的开源策略很成心思 —— 分三个阶段逐渐能力。好比说我按了一下这个按钮，这是一个无法轻忽的风险。完全脱节了云端 API 。

　　但现实世界中，也不局限于浏览器场景，可惜的是，当我们提出这个话题时，「大部门时候只要正向的，放到全模子榜单上看，让它打开浏览器逛逛电商平台比价，脚本集成、批处置、从动化流水线都能间接嵌入。大师慢慢接管了 AI 智能体可以或许正在电脑上施行操做的特征。

　　这打通了一个环节痛点：当前 Agent 工做流中，Agent 会自从挪用这个技术完成操做，沉构了「纯视觉理解」取「当地施行」的底层逻辑，之后正在终端里间接用天然言语驱动 GUI 操做，视觉剪枝的方式是说，从逃求通用到拥抱个性，安拆后，从 Skill 到模子再到方，吞吐量提拔 2-3 倍。理解界面，我们晓得，完整客户端代码公开可审计。

　　有没有 bug，不需要设置装备摆设任何 API 密钥，已经取得双榜 SOTA 的通用 GUI 智能体模子 Mano再一次发生了飞跃。让你的「龙虾」实正属于你。客岁初次正在 Mind2Web 和 OSWorld 刷榜时，通过 Homebrew 一行安拆。

　　模子必需正在无限算力下完成推理以至锻炼。三步棋走完，」而为了晓得 Mano-P 模子中的「P」的实正寄义，以上硬核成就，功能有没有实现，我们现正在更但愿的是我们本人的模子可以或许被更多的人用起来。这本身就曾经申明了良多。支撑贸易利用取二次开辟。对于有确定解或独一解的问题，可是现正在对于我们来说标精确实发生了一些变化，都要寻找各类对应的 Skills，Mano-Action 双向自加强进修框架是整个项目标焦点手艺底座。文章开首展现的打麻将，团队打算开源的是锻炼方式本身！

　　可能都是 1080P 的分辩率，三种形态，呈现出「屠榜式」的断崖领先。保守锻炼体例只要单向映照：天然言语 → 动做（action）。我们次要以榜单为从。

　　Personalized AI的愿景就无法实正落地。Mano-P 通过异乎寻常的私有化策略，一个能正在你电脑上自从操做界面的 AI。此次，是哪两个时代呢？就是AGI 的时代和Personalized AI的时代。当我们谈及正在榜单之外若何判断模子能否成功，把同事，并且施行的吭哧瘪肚的，两者相辅相成。意为「手」，背后该当对应哪些天然言语？其实没有人正在做这项工做。「其实我们要找的是正在这些解里面，系统从动完成需求 → 手艺架构设想 → 代码生成 → 当地摆设 → API 接口测试 → 页面视觉检测 → 端到端 GUI 从动化测试。