Jev-Mobile：以 Jev 作为移动 GUI agent 的执行器

arXiv 论文 Jev-Mobile 提出将移动端 GUI agent 的 VLM 规划与动作执行解耦：VLM 只负责低频设定局部目标，可访问性树提供结构化动作空间，由快速类型化决策模型 Jev 高频选择具体动作。在 AndroidWorld 全量任务上，Jev-Mobile 任务成功率为 79%，SeeAct-V 为 78%，逐步调用 VLM 的基线为 84%；在成功轨迹中，端到端平均执行时间较该基线降低 32.7%，模型 API 平均成本降低 73.4%。

此前多数移动 GUI agent 在几乎每一步交互都同时依赖 VLM 做规划与动作定位，延迟和模型服务成本高。该工作把 VLM 调用降为低频规划，将高频动作交给轻量执行模型，在成功率接近或略低于强基线的前提下大幅降低成本与耗时，提供了另一条效率取舍路径。

机制分三层：VLM 只输出局部目标，不直接产出每一步动作；可访问性树把界面元素转成结构化可执行动作空间，限制并规整候选动作；Jev 作为快速类型化决策模型在该空间内反复选动作。由于一次 VLM 决策可覆盖多个 GUI 动作，昂贵推理次数被摊薄，同时保留逐步自适应交互能力。

对 GUI 自动化产品的直接影响是成本结构变化：模型 API 成本可降约七成、端到端耗时降约三成，使长时间运行的移动端 agent 更可行。研发上需要维护可访问性树到动作空间的映射，并训练或接入轻量执行模型；代价是成功率可能低于纯 VLM 逐步方案。

• 在移动端自动化测试或运营工具中，用可访问性树构建结构化动作空间，降低对 VLM 的逐步依赖。
• 按低频规划加高频执行的架构拆分 agent 服务，将 VLM 调用集中到目标设定环节以控制 API 账单。
• 针对固定业务流程先落地轻量执行模型，再评估成功率损失是否可接受。
• 关注可访问性树缺失或不完整的界面场景，评估该架构的适用边界。

• Jev 模型的参数规模、训练数据与推理硬件要求未在证据中说明。
• 32.7% 时间与 73.4% 成本下降只统计成功轨迹，失败轨迹的开销未披露。
• 可访问性树不完整或游戏类界面上是否仍能达到 79% 成功率尚不明确。
• 该结果是否在 AndroidWorld 之外的真实应用与设备上复现，证据未涉及。