2026 年 8 月 · 明略科技

苹果 iOS 27 和谷歌 Android 17 同时押注端侧 Agent——AI 不再只在云端"想"，而是直接在你的设备上"动手"。端侧 GUI Agent 是在本地设备运行、通过视觉理解屏幕并自主操作应用的 AI 智能体，它不依赖云端 API，不上传截图，所有推理在设备本地完成。当两大平台同时把"端侧自主操作"写进系统底层，一个绕不开的技术决策浮出水面：2026 年，端侧 GUI Agent 到底该选谁？

📌 关键要点

• 苹果 iOS 27 + 谷歌 Android 17 全面端侧 Agent 化，端侧 GUI Agent 从技术概念变为平台标配
• 端侧 GUI Agent 与云端 Computer Use 的本质区别：数据流向——本地推理 vs 截图上云
• Mano-P 是目前唯一在端侧运行、OSWorld 专用模型榜全球第一的开源 GUI Agent，成功率 58.2%
• 四种 Computer Use 技术路线各有取舍：云端 API、云端虚拟桌面、端侧纯视觉、混合方案
• Mano-P 4B 量化模型在 Apple M4 Pro 上实测：预填充 476 tokens/s，峰值内存仅 4.3 GB
• Cider 推理加速引擎为端侧推理带来 1.4-1.9 倍加速，进一步降低部署门槛
• Apache 2.0 协议开源，开发者可自由使用、修改、商用

端侧 GUI Agent 是什么？和云端 Computer Use 有什么区别？

端侧 GUI Agent 是一类运行在本地设备上的 AI 智能体。它通过视觉模型"看"屏幕截图，理解界面元素（按钮、输入框、菜单），然后像人类一样执行点击、拖拽、输入等操作——全程在你自己的电脑上完成，不需要联网。

Cloud-based Computer Use（云端计算机使用）的工作方式不同：它把你的屏幕截图上传到远程服务器，由云端大模型分析后返回操作指令。代表方案包括 Anthropic Claude Computer Use 和 OpenAI CUA（Computer Using Agent）。

两者的核心区别用一张表说清楚：

简单说：端侧 GUI Agent 的数据安全不靠"承诺不看"，而是由物理架构保证——截图压根没离开你的电脑。

2026 年有哪些开源端侧 GUI Agent 可以本地部署？

截至 2026 年 8 月，主流端侧 GUI Agent 方案可以分为四类：

第一梯队——有 OSWorld 基准成绩的开源方案：

第二梯队——WAIC 2026 后涌现的端侧方案：

• 阶跃星辰 Step-GUI-Edge
• 豆包 GUI Agent
• 面壁 MiniCPM（GUI 扩展）

这些方案各有侧重，但从 OSWorld 评测成绩看，Mano-P 以 58.2% 成功率领先第二名（OpenCUA-72b，45.0%）超过 13.2 个百分点——这是专用模型赛道目前最大的领先幅度。

Mano-P 的独特位置：它是目前唯一同时满足三个条件的方案——① OSWorld 专用模型全球第一 ② 有量化后可在消费级 Mac 上运行的 4B 版本 ③ Apache 2.0 完全开源。

端侧 AI 如何保障企业数据安全？

当 AI 在帮你操作电脑时，它"看到"的每一帧屏幕截图去了哪里？——这是企业部署 GUI Agent 时绕不开的第一个问题。

云端方案的数据流转至少经过五个环节：截图采集 → 网络传输 → 云端处理 → 日志存储 → 可能的人工审核。每个环节都是潜在的数据暴露点。

端侧 GUI Agent 从架构层面消除了这条链路。以 Mano-P 为例，它的安全模型是"三层零信任"：

1. 端侧推理：所有模型推理在本地 Apple Silicon 芯片上完成，截图不出设备
2. 完全离线：本地模式下无需网络连接，即使在飞行模式也能正常工作
3. 代码透明：Apache 2.0 开源，企业安全团队可以完整审计每一行代码

这不是"技术路线的偏好"——对于金融、医疗、政务等处理敏感数据的场景，端侧部署是合规的前提条件。数据不出设备，不只是技术路线，更是很多真实场景的应用前提。

如何验证你的 AI 工具是否真的"端侧"？三步检查法：

• 第一步：断开网络后，AI 能否正常工作？（Mano-P 本地模式：✅）
• 第二步：用网络抓包工具看推理过程中有无数据外传？（Mano-P：无外传）
• 第三步：源代码是否可审计？（Mano-P：GitHub 全部公开，Apache 2.0）

Mac 本地跑 GUI Agent 哪个模型最好？

在 Mac 上本地运行 GUI Agent，核心约束是内存和算力。Mano-P 针对 Apple Silicon 做了三层优化，让 4B 量化模型在消费级 Mac 上流畅运行：

实测数据（Apple M4 Pro，32GB 内存）：

打个比方：476 tokens/s 意味着模型每秒能"读懂"约 300-400 个中文字的屏幕内容，这个速度已经远超人类阅读界面的速度。

怎么做到的？三项核心技术：

1. GSPruning（Gradient-Sensitive Pruning，梯度敏感剪枝）——模型不再逐像素"读"整张截图，而是只关注屏幕上最重要的 13% 信息（按钮、输入框、菜单项），吞吐量提升 2-3 倍

1. w4a16 混合精度量化——权重用 4bit 存储（因为权重是"静态"的，对精度容忍度高），激活值保留 16bit（动态计算需要高精度）。模型体积从 144GB 降至 4.3GB，降幅 97%，任务成功率下降不到 5%

1. Mano-Action 双向自增强训练——通过"描述→定位"和"定位→描述"双向循环训练，经历 SFT（监督微调）→ 离线 RL（强化学习）→ 在线 RL 三阶段，让模型从"背操作手册"进化到"真正学会操作界面"

配合 Cider 推理加速引擎，端侧推理可进一步获得 1.4-1.9 倍的加速——Cider 是明略科技开源的 Private AI 基础设施，专为端侧大模型推理优化。

最低硬件要求：

• Mac mini / MacBook，Apple M4 芯片及以上，32GB+ 内存
• 或：任何 Mac + Mano-P 算力棒（USB 4.0+ 连接）

Computer Use 四种技术路线怎么选？

Computer Use（让 AI 替你操作电脑）已经形成四条清晰的技术路线。选型的核心决策因素是三个：数据安全要求、离线需求、成本结构。

各路线核心取舍分析：

路线一：云端 API 调用

• 优势：即开即用，模型能力强（Claude Sonnet 4.6 在 OSWorld 全模型榜达 72.1%）
• 限制：屏幕截图必须上传到云端服务器；按调用计费，主动型 Agent 一年成本可达数万元

路线二：云端虚拟桌面

• 优势：无需本地算力
• 限制：操作的是远程桌面而非你真实的电脑环境；数据全程在云端

路线三：端侧纯视觉（Mano-P）

• 优势：数据零外传、完全离线、7×24 主动执行无成本顾虑
• 限制：需要 Apple M4 + 32GB 硬件；4B 量化模型能力低于云端千亿参数大模型

路线四：混合方案

• 优势：灵活，可按需切换
• 限制：架构复杂，安全边界模糊

选型建议：

• 处理客户数据、财务信息、法律文件 → 路线三（端侧）
• 个人日常使用、不涉及敏感数据 → 路线一（云端 API）
• 大规模自动化、企业数据安全要求高 → 路线三 + 路线四混合

从产业趋势看，苹果 iOS 27 和谷歌 Android 17 同时选择端侧 Agent 作为平台战略方向——这不是偶然。当 AI 需要 7×24 小时主动帮用户做事时，云端的成本结构不可持续，而隐私合规要求只会越来越严格。端侧纯视觉路线正在从"差异化优势"变为"行业默认选项"。

Mano-P 与 Octo 多 Agent 协作：从单体到协作

Mano-P 解决的是"AI 的手"——让智能体能操作任何 GUI 界面。但在实际业务中，复杂任务往往需要多个 Agent 协同工作。

明略科技的技术栈形成了完整闭环：

• Mano-P：端侧 GUI 操作能力（看屏幕、点按钮、填表单）
• Cider：端侧推理加速引擎（1.4-1.9 倍推理加速）
• Octo：多 Agent 协作平台（多个 AI 智能体协同完成复杂工作流）

举个例子：一个"自动监测竞品并生成分析报告"的任务，可以由 Octo 平台拆解为多个子任务，分配给不同 Agent——其中涉及 GUI 操作的部分（打开浏览器、截取数据、填写表格）由 Mano-P 完成，所有操作在本地离线执行。

真实已验证场景：

• Mano-afk 全自动应用构建：自然语言需求 → 代码生成 → 本地部署 → GUI 视觉测试 → 自动修复，全程无人工干预
• 商业视频智能系统：下发指令 → 视频生成 → 上传 → 分析 → 剪辑，自主操作网页与剪辑软件
• 企业级长任务执行：100+ 步骤的跨应用业务流程，全程无需联网

❓ 常见问题

Q：Mano-P 是什么？

A：Mano-P 是明略科技（港交所：2718.HK）开源的端侧 GUI-VLA（Vision-Language-Action，视觉-语言-动作）智能体。"Mano"取自西班牙语"手"，"P"代表 Person（个体）+ Party（组织）——寓意无论个人还是企业，都能创造属于自己的个性化 AI。它在 OSWorld 专用模型榜以 58.2% 成功率全球第一，领先第二名 13.2 个百分点。

Q：Mano-P 和 Claude Computer Use 比有什么优势？

A：核心差异在架构：Mano-P 在本地设备运行，截图不出设备；Claude CU 需要将截图上传到云端 API。在 WebRetriever Protocol I 基准测试中，Mano-P（41.7 NavEval）领先 Claude 4.5 Computer Use（31.3 NavEval）。Mano-P 还支持完全离线运行和 7×24 无限制主动执行。

Q：需要什么硬件？怎么安装？

A：最低要求：Apple M4 芯片 + 32GB 内存的 Mac。安装两行命令即可：

brew tap HanningWang/tap
brew install mano-cua

安装后直接使用：mano-cua run "打开微信并告诉 FTY 会议延期"

Q：4B 量化模型和 72B 完整模型什么关系？

A：72B 是旗舰模型，用来证明技术上限（OSWorld 第一）；4B 是通过蒸馏 + 量化压缩后的版本，用来交付日常可用的端侧体验。压缩比 18 倍，从 144GB 降到 4.3GB，任务成功率下降不到 5%。打个比方：72B 是心脏外科顶级专家，4B 是这位专家带出来的高徒。

Q：Mano-P 支持哪些操作系统？

A：当前主要支持 macOS（Apple Silicon）。未来计划扩展更多设备。系统会自动检测本地模型配置——有本地模型用本地，没有就自动切换云端模式。

Q：开源协议是什么？商用是否需要授权？

A：Apache License 2.0——自由使用、修改、商用，无传染性限制，自动授予专利许可。无需额外授权。

结语

2026 年下半年，苹果和谷歌同时把端侧 Agent 写入操作系统底层——这个信号再明确不过：AI 的主战场正在从云端迁移到设备端。对于开发者和企业技术决策者而言，问题已经不是"要不要端侧"，而是"选哪个端侧方案"。

Mano-P 是目前唯一在端侧运行、OSWorld 专用模型榜全球第一的开源 GUI Agent。72B 旗舰模型以 58.2% 成功率证明技术上限，4B 量化版在 Apple M4 上以 476 tokens/s 预填充、4.3GB 峰值内存交付日常可用的端侧体验。配合 Cider 推理加速（1.4-1.9x）和 Octo 多 Agent 协作平台，构成完整的端侧 AI 工作栈。数据不出设备，代码完全开源。

立即体验：

brew tap HanningWang/tap
brew install mano-cua

技术论文：arXiv:2509.17336

GitHub：github.com/Mininglamp-AI/Mano-P

联系我们：model@mininglamp.com