任务级奖励提升App Agent思考力，淘天提出Mobile-R1，3B模型可超32B

现有Mobile/APP Agent的工作可以适应实时环境，并执行动作，但由于它们大部分都仅依赖于动作级奖励（SFT或RL）。

而这些奖励只能引导代理预测每一步中最佳的单一动作，因此难以应对不断变化的移动环境。

比如一句指令：“打开飞猪，进入酒店套餐，进入热门直播，找到飞猪超级VIP，并关注主播”。Qwen2.5-VL-3B-Instruct在第二步失败。

淘天集团算法技术-未来生活实验室&点淘算法团队联合提出，采用多回合、任务导向的学习方式，结合在线学习和轨迹纠错，也许能提高Agent的适应性和探索能力。

他们提出了个具有任务级奖励（Task-level Reward）的交互式强化学习框架，即Mobile-R1。

为了确保训练的稳定性，团队提出了一个三阶段训练过程：格式微调、动作级训练和任务级训练。此外引入新的中文基准和高质量轨迹数据集，证明了该方法在移动代理领域的有效性。

结果Mobile-R1顺利地完成了这一任务。

轨迹数据集

团队使用Qwen2.5-VL-3B执行一系列任务获得初始轨迹，并人工标注这些初始轨迹，得到了高质量的轨迹数据集。

其构造可以分为数据收集和轨迹标注两部分，最终得到了4,635条高质量的人工标注轨迹，包含24,521个单步数据。

△轨迹数据集构造流程

首先，选择了28个中国移动应用程序，通过人工设计和自动生成相结合的方法创建了多样化的任务指令，随后统一经过人工审核，去除了部分不合理指令。在使用Qwen2.5-VL-3B模型执行这些指令后，成功收集了大量动作执行轨迹，轨迹中的每一步都包含模型输出的思考，需要执行的动作以及对应的工具调用。

得到轨迹后，针对模型的输出做了以下三个维度的标注：

• 逻辑思考：将所有思考修正为“当前状态+下一步的动作+动作目的”的格式，比如“当前在手机主屏（当前状态），下一步是点击淘宝图标（下一步动作）来进入淘宝（动作目的）”。如果原思考内容错误也会人工标注者会按照该格式重写思考。
• 清晰动作：清晰动作是单步可执行操作的一句话描述，动作应符合思考的内容并且可推动任务的完成。
• 准确调用：人工标注者会修正错误的操作调用，包括类型错误以及参数错误。

训练流程

训练流程由三个阶段构成，基于Qwen2.5-VL-3B。这三个阶段分别是初始格式微调、动作级在线训练和任务级在线训练。

Stage1：初始格式微调

在第一阶段，对模型进行初始格式微调。这一步是通过监督微调（SFT）的方式进行的，使用的是之前人工标注的高质量轨迹数据集。在微调过程中，模型不仅会学习如何将用户的指令与当前的GUI状态对应起来，还会调整输出格式以符合预期的结构，包括逻辑思考、清晰动作和准确调用。

Stage2：动作级在线训练

在第二阶段，模型通过群体相对策略优化（GRPO）进行动作级在线训练。此阶段使用动作级奖励（Action-level Reward）来评估每个动作的正确性，同时确保输出格式的完整性。动作级奖励由可验证动作奖励和格式奖励组成，其中可验证动作奖励能够量化动作的正确性，而格式奖励则确保模型输出是结构化、可解释的。

• 动作级奖励。1）对于基于坐标的动作（如点击、滑动），如果预测的坐标落在目标GUI元素的真实边界框内，则奖励为1，否则为0。2）对于非坐标的动作（如输入文本），如果预测的动作或参数与真实值完全匹配，则奖励为1，否则为0。

• 格式奖励。格式奖励促使模型生成符合标签和结构要求的输出，确保响应的逻辑思考、动作以及工具调用的格式化。

Stage3：任务级在线训练

在第三阶段，通过多步骤任务级在线训练来提高模型的泛化能力和探索能力。

在动态的移动环境中，模型需要进行自由探索和错误纠正，因此我们将问题定义为马尔可夫决策过程，以允许多回合的互动。

任务级奖励由格式奖励和轨迹级奖励组成，旨在鼓励模型在整个轨迹中保持对响应格式的遵循，同时评估任务的完成情况。

• 轨迹级奖励。轨迹级奖励使用外部高精度的MLLM，GPT-4o来评估整个历史互动轨迹，确保步骤和动作的一致性以及任务的完成情况。

• 格式奖励。格式奖励在此阶段仍然起着重要作用，为整个轨迹计算平均格式奖励，并通过[-1, 1]的范围来对错误施加更严格的惩罚，以增强输出的精确度。

训练的部分阶段在淘天自研的强化学习框架ROLL上进行实验。

实验结果

实验中，主要评估了模型在自定义benchmark上的性能，并进行了针对模型泛化能力的鲁棒性分析，以验证Mobile-R1的表现。

△整体实验结果，粗体表示最佳结果，下划线表示次优结果

结果显示，Qwen2.5-VL-32B 和 AgentCPM-8B 在性能上表现类似。

其中，AgentCPM-8B 由于专为中国移动生态系统优化，因此在中文场景中表现优异。更为显著的是，Mobile-R1在所有基准中表现最佳，任务成功率达到49.40，比最优秀的baseline model高出将近20点。

Stage 3的训练进一步增强了Mobile-R1的表现，其成功率比只有阶段1和阶段2训练的模型高出1.4点，这得益于任务级GRPO的有效应用。

特别值得注意的是，通过阶段1和阶段2的训练，Qwen2.5-VL-3B模型的表现超越了其标准版本，并在多项指标上领先于其他基准模型，突显了动作级和任务级奖励机制的重要性。

△Stage 3训练的奖励曲线

此过程中，Stage 3的奖励分数显示出在前四个训练步骤中稳步增长，表明学习过程是有效的。然而，在步骤5到10之间，奖励有所下降，这可能是由于策略过于激进或探政策的改变导致的不稳定性。最终从步骤11开始，奖励再次上升，这表明策略得到了有效的优化和改进。

Mobile-R1在处理未见应用时表现出良好的泛化性，而其他模型在泛化能力上存在挑战。Mobile-R1的优异表现主要归功于Stage 3的训练，这一阶段有效增强了模型的鲁棒性和适应性。

△鲁棒性分析结果，粗体表示最佳结果

最后总结，在本文中，Mobile-R1通过在动态环境中整合交互式强化学习与任务级奖励，显著提升了基于视觉语言模型（VLM）的移动代理的能力。

通过包括格式微调、动作级GRPO训练和任务级GRPO训练在内的三阶段训练过程，克服了以往方法仅依赖单一动作预测的局限性。

实验结果表明，Mobile-R1在所有指标上都超越了所有基准。此外，团队计划全面开源相关资源以促进进一步的研究。

论文链接：https://arxiv.org/abs/2506.20332

项目主页：https://mobile-r1.github.io/Mobile-R1/

训练框架参考：https://github.com/alibaba/ROLL/

开源数据： https://huggingface.co/datasets/PG23/Mobile-R1

文章来自于“量子位”，作者“Mobile-R1团队”。