你让手机 AI 帮忙发消息，却没告诉它收件人；它是硬着头皮乱点，还是先向你确认？MobileWorld 想测的正是这类真实难题。它是一套 Benchmark——用固定任务和评分规则比较系统——不只考 AI 能否看懂屏幕、点击和输入，还加入了向用户追问信息的任务，以及 MCP（让 AI 统一连接外部工具和数据源的协议）增强环境。
据 Reddit 用户 East-Muffin-6472 对论文的介绍，这套评测包含 201 个任务、约 20 个应用，覆盖通信、消息和生产力等场景。系统只把截图交给负责规划的视觉语言模型，再由另一模型把“点击发送按钮”之类的文字动作换成具体坐标；交互任务中的用户则由 GPT-4 模拟。其整理结果显示，最佳组合 Gemini-3-Pro 与 UI-Inst-7B 的平均成绩约为 52%，模型尤其容易在用户交互和 MCP 任务上失败。数字与结论目前仅来自这篇二手解读，但它点出了一个重要变化：手机 Agent 的考场，正从照着固定脚本点屏幕，转向会追问、会借助工具的协作式办事。