近日，明略科技在AI领域迈出重要一步，正式推出端侧GUI模型Mano-CUA-4B-2.0版本，并同步引入了创新的Thinking模式。据官方披露的测试数据显示，在MacBook Pro、Apple M5、16GB内存的硬件环境下，针对100道真机macOS GUI任务进行测试，Thinking模式下的整体任务成功率相较于1.0版本实现了约9%的显著提升，而在中高难度任务上，相较于快速模式，其成功率更是提升了10%至13%。

在当下AI行业普遍聚焦于模型速度与参数规模的背景下，明略科技公布的这组关于“稳定性”的数据，无疑触及了企业采购AI技术时更为核心的考量因素。

一、被忽视的关键瓶颈

回顾过去两年，企业对AI Agent的期待大多停留在演示阶段。一段流畅的演示视频，展示Agent自动打开软件、填写表单、提交数据的全过程，确实令人眼前一亮。然而，当企业尝试将Agent从演示环境推向实际生产环境时，却遭遇了不小的挑战。

这一挑战的根源在于，单个Agent操作的成功率看似不错，比如95%，但当这些操作串联成一个复杂的企业流程时，成功率会迅速下降。假设一个流程需要20步连续操作，整体成功率将降至约36%；若流程延长至40步，成功率则仅剩约13%。这意味着，即便单个Agent操作表现优异，但在长链路、全流程的自动化任务中，失败率会迅速累积，导致自动化带来的效率提升被“随时救火”的隐性成本所抵消。

这正是许多Agent项目“叫好不叫座”的原因所在。它们能够展示一次完美的操作，却难以保证千次、万次的稳定运行。对于企业而言，一次失败可能意味着财务记录的错误、客户信息的丢失或生产流程的中断。因此，不少Agent项目在试点阶段就停滞不前，难以进一步扩大规模。

显然，真正的瓶颈不在于Agent的速度有多快，而在于其稳定性是否足够可靠。

二、行业共同探索的课题

明略科技的探索并非孤例。放眼整个AI行业，2026年上半年出现了一个明显的趋势转变：Agent竞争的焦点正从“能否实现”转向“能否稳定、反复地实现”。

这一转变体现在多个方面。

首先，评测标准在发生变化。衡量Agent操作电脑能力的权威基准OSWorld，其整体成功率在一年内从12%跃升至66%。这表明行业已经跨越了“Agent能否操作电脑”的初级门槛，开始将竞争焦点转向“准确性和稳定性”。值得注意的是，即便达到66%的成功率，也意味着在普通桌面任务的基准测试中，最好的Agent仍有约三分之一的情况会失败，稳定性仍有待提升。

其次，技术方向在向“可靠性”靠拢。微软在其Agent Framework中引入了检查点机制，用于保存工作流状态并在故障后恢复；Anthropic在强化Computer Use能力的同时，也强调Agent需要在清晰的规则、权限和审计框架下运行。无论是云端还是端侧，行业头部玩家都在思考同一个问题：如何让Agent在长链路任务中减少错误。

此外，商业模式也在发生变化。Agent的付费逻辑正从“卖订阅”向“按结果付费”转变。但“按结果付费”的前提是Agent能够稳定交付结果。一个频繁出错的Agent，难以支撑起“按结果收钱”的商业模式。因此，稳定性不仅是一个技术指标，更是影响Agent商业模式创新的关键因素。

各家厂商在探索稳定性的路径上各有侧重：海外厂商强在云端通用能力与开发者生态；字节跳动的UI-TARS走的是开源桌面Agent路线，覆盖PC、浏览器和安卓三大平台；面壁智能则在端侧模型的小参数高性能方向上持续打磨。明略科技此次将重点放在“端侧长链路稳定性”上，可以看作是对行业共同命题的一个具体回应。

三、Thinking模式如何破解稳定性难题

Mano-CUA 2.0版本的关键升级——Thinking模式，正是针对长链路任务的稳定性问题而设计的。

端侧Agent在处理复杂任务时稳定性不足的一个核心原因是“思考”不够充分。受限于本地算力，模型往往来不及充分规划就匆忙动手，导致长链路任务中一步出错，后续步骤便容易偏离轨道。Thinking模式通过让模型在执行前先分解任务、推理判断、规划路径，实现了“先想后动”的智能决策过程。这对于需要多步骤操作、跨界面理解和动态判断的GUI任务尤为重要。

这种“先想后动”的策略带来了稳定性指标的实质性提升。前面提到的数据——整体成功率较1.0版本提升约9%、中高难度任务较快速模式提升约10%至13%——虽然单看百分点似乎不大，但在“多步连乘”的规模化语境下，其意义被显著放大。单步可靠性的每一点提升，都会使长链路任务的整体成功率得到更明显的改善。越是步骤多的任务，Thinking模式的价值越突出。而企业里最需要被自动化、也最难啃的，往往正是这类复杂任务。

因此，成功率提升的本质或许不是“跑得更漂亮了”，而是企业终于有理由考虑将Agent铺开到更广泛的生产环境中了。

四、“敢铺开”为何成为质变的关键

企业采购AI自动化技术的决策逻辑其实非常朴素：这套系统能否让我放心地交给它、不用一直盯着？

这正是行业当下的真实焦虑所在——从“能否使用Agent”转向“敢不敢将Agent放入生产环境、铺到全流程”。一个只能在试点环境中演示的Agent，其价值是有限的；只有当它的稳定性足够高、高到企业愿意将成百上千个工位的重复工作整体托付给它时，AI自动化才真正从“降本的点缀”转变为“生产力的底座”。

Mano-CUA 2.0版本的成功率提升，或许正是给了企业这份“敢铺开”的底气。它让企业可以将自动化从“挑几个简单任务试水”推进到“覆盖长链路、全流程”；从“派人盯着、随时接管”走向“放手让它批量跑”。这中间的差别可能不是效率的线性改善，而是自动化规模的量级跃迁。

端侧形态还为这份“稳定性”增添了一层经济性。在云端，让模型“想得更深”意味着更长的思考链、更高的Token消耗；而端侧算力是买断制的——硬件一旦购置，思考深度的延伸不会带来额外的边际成本。因此，企业可以放心地让Agent“每一步都多想一层”以换取稳定性，而无需为这份谨慎支付递增的账单。

五、稳定：规模化的真正入场券

明略科技此次的动作不仅限于一个模型的升级。其开源项目Mano-P已升级为面向端侧的统一模型序列，原有Mano-P模型更名为Mano-CUA，作为序列中的GUI操控模型。未来还将有更多不同参数量级、不同模态的端侧模型陆续开源。对于企业而言，这意味着它们拿到的或许不再是一个孤立的模型，而是一个持续迭代的端侧能力底座。

回到那组数据。当行业还在讨论谁的模型跑分更高、谁的响应更快时，明略科技选择将精力投入到一个更接近企业真实决策逻辑的地方：让Agent不只是跑得快，而是跑得稳；不只是能演示一次，而是能反复交付可靠的结果。

对于企业自动化而言，效率或许只是入场资格，而稳定才是规模化的真正入场券。这大概也是明略Mano-CUA 2.0版本试图给出的答案。