當(dāng)人們還在討論AI能否在虛擬世界中完成復(fù)雜任務(wù)時，一款名為Mano-P 1.0的智能體模型已經(jīng)突破了圖形界面的操作邊界，甚至能代替人類完成打麻將這樣的娛樂活動。這款由明略科技自主研發(fā)的通用GUI智能體模型，不僅在13個多模態(tài)基準(zhǔn)測試中登頂全球榜首，更通過本地化部署和純視覺交互方案，重新定義了AI與物理世界的交互方式。

在權(quán)威測試平臺OSWorld上，Mano-P 1.0以58.2%的任務(wù)成功率領(lǐng)先第二名13.2個百分點，成為首個超越專用模型性能的720億參數(shù)級智能體。更令人矚目的是，該模型在WebRetriever Protocol I測試中以41.7分超越Gemini 2.5 Pro和Claude 4.5等千億級通用大模型，展現(xiàn)出專用模型在特定領(lǐng)域的獨特優(yōu)勢。這些成績的取得，源于其獨創(chuàng)的Text?Action雙向自增強學(xué)習(xí)框架，通過自然語言與操作動作的循環(huán)一致性訓(xùn)練，使模型同時具備界面理解和自主決策能力。

與傳統(tǒng)依賴云端API的方案不同，Mano-P 1.0采用純本地化運行架構(gòu)，所有推理過程均在設(shè)備端完成。在搭載M4芯片的Mac設(shè)備上，其40億參數(shù)的量化模型可實現(xiàn)每秒476個token的預(yù)填充速度，峰值內(nèi)存占用僅4.3GB。這種設(shè)計不僅解決了數(shù)據(jù)隱私泄露風(fēng)險，更使模型在無網(wǎng)絡(luò)環(huán)境下仍能保持完整功能。測試數(shù)據(jù)顯示，在涉及網(wǎng)頁操作和專業(yè)剪輯軟件的混合工作流中，該模型能自主完成從視頻生成到二次評測的全流程自動化任務(wù)。

開源策略的差異化實施是Mano-P項目的另一大亮點。項目團隊采用三階段漸進式開源方案：首先開放具備開箱即用特性的CLI工具和Agent插件，使開發(fā)者能快速構(gòu)建自動化工作流；隨后開源本地化模型和SDK組件，滿足高安全性場景的部署需求；最終公開訓(xùn)練方法論，包括視覺Token剪枝技術(shù)和強化學(xué)習(xí)框架等核心專利。這種分層開放策略既保護了技術(shù)創(chuàng)新成果，又為不同層次的開發(fā)者提供了靈活的選擇空間。

在技術(shù)實現(xiàn)層面，Mano-P通過三項關(guān)鍵突破解決了端側(cè)部署難題。其獨創(chuàng)的GSPruning視覺剪枝技術(shù)，通過保留全局空間錨點的方式將視覺Token保留率壓縮至12.57%，在維持任務(wù)成功率的同時使吞吐量提升2-3倍。雙向強化學(xué)習(xí)框架則突破傳統(tǒng)單向訓(xùn)練模式，使模型能同時理解自然語言指令和界面元素語義。這些創(chuàng)新使得模型在有限算力下仍能保持高效推理能力，為個性化AI的落地提供了技術(shù)保障。

項目首席科學(xué)家趙晨旭將Mano-P的"P"定義為Personalized（個性化）的縮寫，這揭示了模型研發(fā)的核心愿景。區(qū)別于追求通用能力的AGI路線，該模型更注重將個體經(jīng)驗轉(zhuǎn)化為決策參數(shù)。以麻將場景為例，通用AI會選擇理論最優(yōu)解，而個性化AI則能模擬用戶特有的記牌習(xí)慣和杠牌策略。這種設(shè)計理念在軟件測試領(lǐng)域已展現(xiàn)出應(yīng)用潛力，模型可參照PRD文檔自動完成端到端GUI測試，形成"開發(fā)-測試-修復(fù)"的完整閉環(huán)。

隨著720億參數(shù)完整模型和40億參數(shù)端側(cè)模型的同步開源，開發(fā)者已能構(gòu)建覆蓋研究驗證到生產(chǎn)落地的完整技術(shù)棧。在Apache 2.0協(xié)議框架下，項目提供的三種接入形態(tài)——命令行工具、Agent插件和Python SDK，分別滿足了快速體驗、深度集成和自主調(diào)度的不同需求。這種開放生態(tài)的建設(shè)，正在推動GUI自動化領(lǐng)域從瀏覽器協(xié)議依賴向跨平臺通用方案的轉(zhuǎn)型。