MAI-UI - 阿里通义实验室开源的通用GUI智能体基座模型

MAI-UI是什么

MAI-UI是阿里巴巴通义实验室开源的通用GUI智能体基座模型，具备跨应用操作、模糊语义理解、主动用户交互和多步骤流程协调四大能力。采用端云协同架构，轻量模型驻守设备处理日常任务，复杂任务可调用云端大模型，同时保障隐私安全。MAI-UI在ScreenSpot-Pro等五个权威评测中全面登顶，尤其在Android任务执行上以76.7%的成功率刷新纪录。创新点包括主动交互机制（当指令不清时会提问用户）、MCP工具调用（通过API替代繁琐UI操作）以及基于在线强化学习的动态环境适应能力，目前已开源2B和8B版本，支持Docker一键部署。

MAI-UI的功能特色

• 复杂任务执行：能完成查询车票、在通讯群组同步信息、调整会议安排等复杂任务。
• 主动交互能力：在指令不明确时，可主动向用户提问澄清。
• 调用结构化工具：支持调用地图搜索、路线规划API等结构化工具，替代繁琐的界面点击操作。

MAI-UI的核心优势

• 多参数规模版本：模型家族包含2B、8B等不同参数规模的版本，其中2B与8B模型已开源。
• 跨平台适用性：适用于手机、电脑等不同操作系统的界面交互场景。
• 评测表现优异：在ScreenSpot-Pro、AndroidWorld等多个GUI理解与任务执行基准测试中取得了当前领先的成绩。

MAI-UI官网是什么

• 项目官网：https://tongyi-mai.github.io/MAI-UI//
• GitHub仓库：https://github.com/Tongyi-MAI/MAI-UI
• HuggingFace模型库：https://huggingface.co/Tongyi-MAI/models
• arXiv技术论文：https://arxiv.org/pdf/2512.22047

MAI-UI的适用人群

• 人工智能与机器学习领域的研究人员：可以用MAI-UI模型进行多模态交互相关的研究，探索如何进一步提升模型对界面的理解和任务执行能力，推动该领域的技术发展。
• 软件开发工程师：专注于开发具有复杂交互功能的应用程序的开发者，可以通过集成MAI-UI来为应用添加智能交互功能，提升用户体验，例如在办公软件、生活服务类应用等场景中实现更智能的操作引导和任务自动化。
• 人机交互设计师：借助MAI-UI来测试和优化界面设计，了解模型如何与不同界面元素交互，设计出更符合用户操作习惯、更易于智能体理解和操作的界面，提高界面的可用性和交互效率。
• 企业级应用开发者：对于需要在企业内部系统中实现自动化任务流转和智能交互的企业，MAI-UI可以帮助开发定制化的解决方案，比如在企业资源管理（ERP）、客户关系管理（CRM）等系统中实现跨模块的智能操作和数据流转，提升工作效率。