明略端侧模型上线Thinking模式：从单点模型到能力矩阵，重新理解明略的端侧叙事

近日，明略科技为其端侧GUI模型Mano-CUA上线了Thinking模式，新版本Mano-CUA-4B-2.0已在HuggingFace与ModelScope上线。这次升级用一句话说清就是:让AI从"看一眼屏幕就动手"，变成"先想清楚多步怎么走，再动手"。

别小看这一步。它直接抬高了一个对企业最关键的指标——成功率。据明略科技公布的实测，在100道真机macOSGUI任务中(MacBookPro、AppleM5、16GB内存)，Thinking模式让整体任务成功率较快速模式提升约9%；在更考验拆解与判断的中高难度任务上，提升达到约10%至13%。换句话说，那些过去端侧设备"做不稳"的复杂流程，现在开始能交给它了。

更值得关注的是这件事发生在哪里:全程在本地设备上完成，数据无需上云。这恰好同时跨过了企业用AI替人干活的两道坎——复杂任务的可靠性(敢不敢交给它)，和数据能不能不出门(合规上能不能用)。当业界都在比模型参数和榜单分数时，真正决定AI能不能在企业里落地的，往往是这两件"榜单之外"的事。Mano-CUA-4B-2.0这次补的，正是这块。

这背后还藏着一个更大的命题:AI到底怎么才能"用得起、用得好"。下面分三层来看——它对企业、对资本市场、对整个行业，分别意味着什么。

对企业：端侧GUIAgent正跨过"生产可用"的门槛

过去一年，让AI直接看懂并操作电脑界面(业界称ComputerUse或GUIAgent)成为智能体落地的热门方向。难点在于，真实业务往往是多步骤、跨界面、需要动态判断的流程，Agent点错一步，后续就可能全盘偏离——这正是它在演示里好用、一进真实业务就不敢用的根源。

作为一款GUIVLA(视觉-语言-动作)模型，Mano-CUA具备对图形界面的感知、理解、规划、操作与验证能力，可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模式的价值，在于让模型执行前进行更充分的任务拆解与推理判断:面对一个跨多个软件、需要中途判断的流程，它会先在"脑子里"把步骤想清楚、对可能的岔路做预判，再动手。前面提到的9%与10%–13%的成功率提升，正来自这种"先规划、再执行"的能力。

更关键的差异在隐私与合规。Mano-CUA支持在AppleM4/M5芯片设备上本地运行，推理过程无需将数据上传云端。对金融、政务、医疗、制造等对数据出域较为敏感的行业，这往往不是加分项，而是能不能用的前提。在断网、本地部署或隐私敏感的环境下，端侧设备依然能承担较复杂的GUI自动化任务，这是端侧路线相较云端方案的一处结构性差异。

此外，纯视觉操作还降低了落地门槛。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操作，省去了企业自动化中常被忽视的接口适配成本。结合本地部署，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。

对资本市场：端侧路线背后，是一道关于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关注的视角。

当前大模型的成本结构与互联网时代存在明显差异。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要消耗算力与电力，调用规模越大成本越高，更接近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，把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落在这条线索上。此次明略也正式宣布，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，是从"做一个跑分领先的模型"转向"建一套可持续迭代的端侧能力矩阵"——后者更接近基础设施的逻辑，也更可能形成长期价值。

值得客观看待的是，端侧智能体仍处商业化早期，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，市场或许需要一套不同于"比拼模型参数"的视角去理解其价值。

对行业：端侧、GUI操作、模型序列，三条线索同时收敛

把视野放到行业，会发现端侧智能体正成为越来越多团队共同投入的方向，明略并不孤单。

今年5月，面壁智能开源了1.3B参数的端侧多模态模型MiniCPM-V4.6，主打小参数、低内存占用，据其披露仅需约6GB内存即可在手机等终端运行；字节跳动的GUIAgent技术UI-TARS，则据公开报道正在向终端设备渗透。不同玩家路径各异:有的侧重模型层的参数效率，有的依托自有终端入口分发，明略则更强调端侧模型能力与协作网络的全栈打通。

与此同时，衡量Agent操作电脑能力的权威基准OSWorld，业界最好成绩已逼近80%，标志着智能体正越过"能不能操作电脑"的临界点。能力问题趋于解决后，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。单点模型容易被追平，成体系的生态才更可能形成路径依赖。

在这条赛道上，明略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"，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。这也呼应了一个朴素判断:模型跑分是入场券，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——这些靠刷榜单解决不了，本质是系统工程与长期迭代的结果。

当Agent学会"先想再动手"，它就向"从演示工具变成生产力工具"迈进了一步。端侧让它更可信，Thinking让它更可靠。对企业，这意味着AI能在自己的设备上、隔着隐私墙，可靠地把活干完；对行业，这是智能体从"秀能力"转向"拼落地"的一个注脚；而对资本市场，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，还要看它能不能让AI在真实世界里，用得起、也用得好。

以上内容与数据，与有连云立场无关，不构成投资建议。据此操作，风险自担。