淘天突破MobileAgent局限任务级奖励让MobileAgent超越32B模型
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。
