随着端侧AI与自动化电脑控制技术的爆发，如何在有限的算力设备上部署高响应、长序列任务的智能体，成为行业的核心痛点。
近日，摩尔线程发布面向真实生产环境的端侧GUI智能体——LiteGUI。相较于先前的MT GUI Agent，LiteGUI实现了全面升级：它开创了基于OPD和RL的全新训练范式“无依赖SFT（SFT-Free）”，同时依托自研数据采集管线构造了高质量长序列任务数据。LiteGUI 仅凭2B参数量跨级超越了72B大模型的性能表现，在ScreenSpot-Pro、OS-World等多项基准测试中斩获 SOTA。其完整训练集与基准测试即将全面开源。
技术突破：无依赖SFT训练范式
传统轻量化模型在控制图形用户界面（GUI）时，往往高度依赖监督微调（SFT），极易导致模型过拟合、灾难性遗忘以及策略僵化。LiteGUI 采用了“无依赖SFT（SFT-Free）”的全新训练范式，通过将大模型的通用知识无损“压缩蒸馏”至 2B-3B 级别的端侧小模型中，配合创新的强化学习机制，彻底解锁了轻量级智能体在复杂、长序列任务中的自主进化能力 。
该范式绕过了传统的监督微调阶段，依赖以下两项核心技术攻克了小模型在长序列任务中易“迷路”、易误判的行业顽疾：
▼业内首创“引导式在策略蒸馏（Guided-OPD）”：首次系统性将广义知识蒸馏引入GUI智能体领域。利用32B大模型作为“导师”进行实时在策略指导，并引入动态检索机制，契合GUI任务“殊途同归（多方案解决）”的本质，大幅降低轻量化模型的优化难度，减少AI幻觉。
▼多方案双层GRPO强化学习架构：针对传统强化学习因单一坐标匹配带来的“死板误判”问题，LiteGUI在宏观层面引入模型评估的子任务规划奖励，在微观层面引入多方案动作集动态匹配。即使用户控制路径发生偏移，智能体也能在执行过程中展现出极高的容错率与重规划能力。
两阶段的训练流程
性能表现：2B小模型斩获SOTA，超越72B行业标杆
在多项针对真实电脑环境、网页浏览器及文件系统的Live闭环测试中，LiteGUI展现出了领先行业的性能表现：
▼ScreenSpot-Pro权威基准：轻量版Lite-GUI-2B斩获46.86%的平均准确率，不仅刷新了同等参数量级模型的最高纪录（SOTA），更跨级超越了行业标杆模型UI-TARS-72B（38.1%）和JEDI-7B（39.5%）。
▼真实系统级控制（OS-World）：Lite-GUI-2B的任务成功率达到13.24%，较原始基座模型Qwen3-VL-2B的6.04%，实现了2倍以上的性能提升；参数量更大的Lite-GUI-30B-A3B则达到22.7%，比肩更大规模的行业标杆专用模型。
▼纯视觉无终端约束测试（Lite-Bench）： 在完全禁止使用命令行、仅依赖视觉UI操作的严苛限制下，Lite-GUI-2B与Lite-GUI-30B-A3B分别取得了61.76%和89.26%的高分，远超基座模型。
开源生态：高质量数据集与开放评测基准
依托自动化轨迹生成与人工审核相结合的数据构建管线，摩尔线程AI团队将向全球开发者和开源社区开放高质量 GUI 数据资产，助力缓解端侧 GUI Agent 训练与评测中高质量长序列、多路径数据不足的问题 ：
▼Lite-Dataset数据集：包含30000条多步GUI任务轨迹，其中包括11000条经人工验证的多方案（Multi-solution）动作标注样本。数据覆盖文件系统、终端命令、系统设置、WPS Office全套办公组件，以及VS Code、钉钉、数字人和AI助手等复杂交互场景，为Guided On-policy Distillation与Multi-solution Dual-level GRPO提供高质量训练信号。
▼Lite-Bench评测基准：包含160个Live动态闭环GUI测试任务，覆盖文件系统、Web浏览器和终端三大场景，其中包括75个Web任务、38个终端任务和47个文件系统任务。每个任务最多18步，用于系统评估GUI Agent在真实环境中的长程规划、视觉定位、复杂指令理解和错误恢复能力。
自动化数据采集管线和数据构造
目前，LiteGUI的学术论文已发表。核心训练代码、高质量数据集及评测基准即将在GitHub和Hugging Face开源，旨在推动全球端侧GUI智能体向更低能耗、更高普适性的方向演进。
查阅摩尔线程LiteGUI论文，请访问下方链接或点击“阅读原文”：
《LiteGUI: Distilling Compact GUI Agents with Reinforcement Learning》
https://arxiv.org/abs/2605.07505
- 以上测试数据均来自摩尔线程实验室。