明略端侧模型Thinking模式上线：从单点突破到能力矩阵，重塑端侧AI新叙事

近期，明略科技在端侧GUI模型领域迈出了重要一步，为其Mano-CUA模型推出了Thinking模式。这一创新成果的最新版本——Mano-CUA-4B-2.0，已在Hugging Face与ModelScope两大知名平台上正式上线。此次升级的核心亮点在于，它赋予了AI更为智能的决策能力，使其从原本的“仅凭一眼屏幕便匆忙行动”，转变为“深思熟虑、规划多步后再精准执行”的新境界。

这一转变看似细微，实则意义重大。它直接提升了企业最为关注的一个关键指标——任务成功率。根据明略科技公布的实测数据，在100道真机macOS GUI任务测试中（测试环境为MacBook Pro、Apple M5芯片、16GB内存），启用Thinking模式后，整体任务成功率相较于快速模式有了显著提升，增幅约为9%；而在那些对拆解与判断能力要求更高的中高难度任务上，成功率提升更是达到了约10%至13%。这意味着，那些过去端侧设备难以稳定完成的复杂流程，如今已可以放心地交给它来处理。

尤为值得一提的是，这一升级全程在本地设备上完成，无需将数据上传至云端。这一特性恰好解决了企业应用AI时的两大难题：一是复杂任务的可靠性问题，即企业是否敢于将任务交给AI执行；二是数据安全问题，即数据是否能够在不出门的情况下得到合规使用。在业界普遍关注模型参数和榜单分数的当下，明略科技Mano-CUA-4B-2.0的这一升级，无疑补上了AI在企业落地应用中的关键一环。

这一升级背后，还蕴含着一个更为宏大的命题：如何让AI真正“用得起、用得好”。接下来，我们将从企业、资本市场和整个行业三个层面，深入探讨这一升级所带来的深远影响。

对于企业而言，端侧GUI Agent正逐步跨越“生产可用”的门槛

过去一年里，让AI直接看懂并操作电脑界面（业界称之为Computer Use或GUI Agent）已成为智能体落地的热门方向。然而，真实业务场景往往涉及多步骤、跨界面以及需要动态判断的复杂流程，一旦Agent在某个步骤上出错，后续流程就可能全盘偏离。这正是AI在演示中表现良好，但一进入真实业务场景就难以胜任的原因所在。

作为一款GUI VLA（视觉-语言-动作）模型，Mano-CUA具备对图形界面的全面感知、深入理解、精准规划、灵活操作与验证能力。它能够通过纯视觉方式直接操控桌面软件、网页界面以及更复杂的图形化工作流。Thinking模式的引入，使得模型在执行任务前能够进行更为充分的任务拆解与推理判断。面对一个跨多个软件、需要中途进行判断的流程，它会先在“脑海中”规划好步骤，对可能的岔路进行预判，然后再动手执行。前面提到的9%与10%–13%的成功率提升，正是得益于这种“先规划、再执行”的智能能力。

更为关键的差异在于隐私与合规方面。Mano-CUA支持在Apple M4/M5芯片设备上本地运行，推理过程中无需将数据上传至云端。对于金融、政务、医疗、制造等对数据出域较为敏感的行业而言，这往往不是加分项，而是能否使用AI的前提条件。在断网、本地部署或隐私敏感的环境下，端侧设备依然能够承担较复杂的GUI自动化任务，这是端侧路线相较于云端方案的一大结构性优势。

此外，纯视觉操作还降低了AI落地的门槛。由于不必依赖目标系统开放API，面对大量没有标准接口的老旧业务系统，Agent也能像人一样看着屏幕进行操作，省去了企业自动化过程中常被忽视的接口适配成本。结合本地部署的优势，企业得以在办公自动化、软件操作、私有化业务流程等场景中，以相对可控的成本构建自己的智能体应用，从而推动AI技术的广泛普及与应用。

对于资本市场而言，端侧路线背后隐藏着一道关于AI商业化的现实考题

跳出产品本身，端侧智能体的进展也为观察AI商业化提供了一个值得深入探究的视角。

当前，大模型的成本结构与互联网时代存在显著差异。互联网生意的边际成本趋近于零，而大模型云端推理每一次调用都需要消耗算力与电力，调用规模越大成本越高，更接近于电力或制造业的逻辑。这也是市场对算力环节给出较高确定性估值的底层原因之一。在这一背景下，将推理能力下沉到端侧设备，被越来越多从业者视为对冲推理成本、提升单位算力产出效率的一条现实路径。

明略科技在端侧的布局正沿着这一线索展开。此次，明略科技正式宣布，其来源项目Mano-P由单一模型升级为面向端侧的统一模型序列。未来，还将持续发布覆盖不同参数量级、不同模态的端侧模型，试图打造一个开箱即用的端侧模型工具箱。这一动作透露出的思路转变尤为值得关注：从“追求做一个跑分领先的模型”转向“构建一套可持续迭代的端侧能力矩阵”。后者更接近于基础设施的逻辑，也更具长期价值潜力。

当然，我们也必须客观看待的是，端侧智能体仍处于商业化早期阶段，可对标的成熟上市样本有限，真实场景中的规模化效果仍需时间来验证。但这一方向所指向的命题——如何在控制成本的前提下，让AI在企业真实环境中可靠地完成工作——正是当下AI产业从“能不能用”走向“用得起、用得好”的关键所在。对于试图在这一命题上给出系统性答案的公司而言，市场或许需要一套不同于“比拼模型参数”的全新视角去理解其价值所在。

对于整个行业而言，端侧、GUI操作、模型序列三条线索正同时收敛

将视野放宽至整个行业，我们会发现端侧智能体正成为越来越多团队共同投入的方向，明略科技并非孤军奋战。

今年5月，面壁智能开源了1.3B参数的端侧多模态模型MiniCPM-V 4.6，该模型主打小参数、低内存占用特点，据其披露仅需约6GB内存即可在手机等终端设备上流畅运行；而字节跳动的GUI Agent技术UI-TARS，则据公开报道正在向终端设备加速渗透。不同玩家在端侧智能体领域的路径各异：有的侧重于模型层的参数效率优化，有的依托自有终端入口进行分发推广，而明略科技则更强调端侧模型能力与协作网络的全栈打通与深度融合。

与此同时，衡量Agent操作电脑能力的权威基准OSWorld的业界最好成绩已逼近80%，这一数据标志着智能体正越过“能不能操作电脑”的临界点，向着更高水平迈进。随着能力问题的逐步解决，竞争焦点正从“单一模型谁更强”转向“谁能提供一整套可持续迭代、开箱即用的端侧能力”。竞争单位从一个模型升级为一套模型序列加配套生态，这一转变意味着单点模型的优势容易被追平，而成体系的生态才更可能形成路径依赖与竞争优势。

在这条充满挑战的赛道上，明略科技的差异化在于它试图打通的是“端侧模型—推理能力—协作网络”的全栈链路。Mano-CUA负责看懂并操作界面，Thinking模式让它从“能演示”走向“能可靠完成复杂任务”，而Mano-P序列化则意味着这套能力可以持续扩展、覆盖更多场景与应用需求。这也呼应了一个朴素而深刻的判断：模型跑分只是入场券，而非护城河；真正拉开差距的，是长链路任务的稳定性、工具调用的容错能力以及企业级落地的工程化水平。这些靠刷榜单无法解决，本质上是系统工程与长期迭代的结果，需要企业具备深厚的技术积累与持续的创新能力。

当Agent学会“先想再动手”，它就向“从演示工具变成生产力工具”迈进了一大步。端侧特性让它更可信、更可靠，Thinking模式则让它更智能、更高效。对于企业而言，这意味着AI能够在自己的设备上、隔着隐私墙，可靠地把活干完；对于行业而言，这是智能体从“秀能力”转向“拼落地”的一个生动注脚；而对于资本市场而言，它提示的或许是一个更根本的问题——衡量一家AI公司的价值，除了模型有多强之外，还要看它能不能让AI在真实世界里用得起、也用得好，真正为企业创造价值、为社会带来福祉。