蚂蚁集团团队提出MAGA，把分别擅长手机、桌面和网页操作的GUI智能体蒸馏到同一个Qwen3-VL模型中。8B版本在三套基准上的平均成功率为51.2%，比论文中最强的统一模型基线高2个百分点，接近三个领域教师模型50.9%的平均水平。
统一模型在OSWorld和WebVoyager上略高于对应教师，在MobileWorld上仍低3.4个百分点。结果来自公开基准，不代表系统已经接入支付宝或其他蚂蚁产品。
论文图1：模型合并在高分歧任务上明显掉分；MAGA在三个基准中取得最高的统一模型成绩。
专家权重相加，动作可能直接被破坏
手机、桌面和网页智能体使用相近的视觉语言模型，却面对不同动作语法。手机常见点击、滑动，桌面环境还包含键盘、窗口和文件操作，网页任务依赖页面元素与浏览路径。
研究团队从900个样本中找到66个领域教师高度分歧的任务。直接合并模型权重后，这些任务的成功率下降10%至24%。不同教师对同一画面给出不同动作时，权重平均很容易生成一个谁都没有执行过的折中动作。
论文图2：MAGA按动作结构重新分配训练信号，并用只在训练期出现的提示改善教师输出。
动作只占输出的4%到7%
普通在线策略蒸馏会逐Token模仿教师，把长推理和短动作视为同等重要。论文统计显示，8B学生模型的动作Token只占响应的3.9%至7.1%，其余92.9%至96.1%都是推理文本。
MAGA先判断学生动作是否正确。整条动作正确时，不再重复蒸馏；动作类型正确但参数错误时，放大完整动作片段的监督；连动作类型都错时，只强化类型Token，并遮掉后续参数，避免学习建立在错误动作之上。
训练期还会给教师一个额外提示，要求它针对学生失败生成更合适的监督。部署时学生仍接收原始任务，接口没有增加这段提示。
8B模型超过对应教师的两个基准
MAGA-8B在MobileWorld、OSWorld和WebVoyager上的成功率分别为34.2%、45.3%和74.3%。对应教师为37.6%、42.8%和72.1%；最强统一基线UI-MOPD的平均成功率为49.2%。
论文图3：学生不只复制对应领域教师，也会采用其他教师动作或生成教师未给出的正确动作。
在每个领域300条留出样本中，完整动作正确率由42.2%升至63.2%，动作类型错误由30.9%降至14.6%。MobileWorld高分歧样本里，点击动作相对权重合并提高17.2个百分点，滑动提高10.8个百分点。
论文图4：动作类型被纠正后，模型重新生成参数，部分原本失败的动作可直接恢复。
平均追平教师，不等于每个平台都追平
51.2%是三套基准的平均值。MobileWorld仍落后专用教师，2B版本的平均成功率也只有25.3%。论文使用117个手机任务、369个桌面任务和140个网页任务，动作正确性依赖各基准的自动检查器。
MAGA验证了多领域模型整合时应优先保护可执行动作，但还没有测试真实账户、长期连续任务、系统更新和高风险操作。统一模型是否能替代多个线上专家，仍取决于失败恢复、权限控制和环境变化下的持续评测。
