明略Mano-CUA 2.0背后：银行、医院和政务大厅里的智能体机会

近年来，大模型的发展几乎沿着同一条路径展开：更大的参数规模、更强的推理能力，以及越来越丰富的云端服务。

但在金融、政务、医疗等行业，AI落地始终面临一个现实问题——数据能否离开本地环境。

近日，明略科技发布面向 AIPC 的端侧 GUI 模型 Mano-CUA-4B-2.0，并上线 Thinking 模式。与主流云端 Agent 不同，这一模型可以直接运行在用户本地设备上，通过视觉理解屏幕并完成操作，数据无需上传至外部服务器。

这背后反映的，其实是 Agent 商业化正在出现的新分化：当越来越多企业开始尝试让 AI 直接参与业务流程时，模型能力已不再是唯一门槛，数据安全、部署成本和系统兼容性，正在成为决定 AI 能否真正落地的重要因素。

云端Agent之外，为什么端侧开始受到关注

Agent已经成为AI产业最热门的方向之一。

从 OpenAI 推出的 Operator，到 Anthropic 持续强化 Computer Use 能力，再到 Microsoft 将 Copilot 深度嵌入 Windows，行业正在尝试让 AI 从“回答问题”走向“完成任务”。

不过，Agent真正进入企业生产环境后，一个长期被忽视的问题开始浮现。

对于互联网企业而言，把数据发送到云端模型进行处理往往不是障碍；但对于银行、医院和政务机构来说，客户信息、病历数据、政务档案等敏感信息受到严格监管，很多场景甚至要求数据不得离开本地网络环境。

这意味着，部分行业并不是不需要 Agent，而是难以采用传统云端 Agent。

市场研究机构 IDC 预计，到2028年全球超过70%的企业将采用混合部署或本地部署AI架构，以满足数据治理和合规要求。这样的趋势，也推动越来越多厂商重新关注端侧AI的发展。

从这个角度看，端侧Agent并不是云端Agent的替代品，而更像是另一条补充路线。

强监管行业需要的，不只是更聪明的模型

金融、医疗和政务有一个共同特点：数字化程度高，但系统复杂、数据敏感。

例如银行每天都存在大量跨系统录入、核验和报表生成工作；医院需要处理病历录入、医保核对等重复流程；政务系统则经常面临内外网隔离和历史系统众多的问题。

这些工作天然适合自动化，却又往往难以直接接入云端大模型。

相比之下，端侧 Agent 的价值在于，它可以在本地设备完成感知、推理和执行，既满足数据安全要求，也能够适应断网、内网隔离等特殊环境。

更重要的是，很多传统行业使用的大量业务系统并没有开放 API。

这也是为什么近年来包括 Anthropic Computer Use、OpenAI Operator 在内的新一代 Agent 产品都开始采用 GUI 操作路线：通过“看屏幕、点鼠标”的方式完成任务，而不是依赖系统接口。

从产业演进看，这正在成为 Agent 落地的重要方向之一。

明略在解决什么问题

此次升级中，明略最值得关注的并非单纯的模型参数，而是其试图解决端侧 Agent 长期存在的两个问题。

第一个问题是兼容性。

Mano-CUA 采用纯视觉 GUI 操控方式，可以直接理解桌面软件和网页界面。对于金融、医疗和政务场景中大量封闭、老旧的业务系统而言，这意味着企业不需要大规模改造原有系统，也不必等待接口开放。

第二个问题是稳定性。

过去端侧 Agent 最大的挑战并非“能不能操作”，而是“能不能持续完成复杂任务”。

由于本地算力有限，很多端侧模型在长流程任务中容易出现步骤遗漏或执行偏差。此次上线的 Thinking 模式，本质上是在执行前增加任务规划和推理环节，让模型先思考再行动。

根据明略公布的测试结果，在100项真实 macOS GUI 任务测试中，Mano-CUA-4B-2.0 的任务完成率相比上一版本提升约9%，在中高复杂度任务中的提升达到10%至13%。

对于 Agent 来说，这类提升并不只是实验室指标的变化，而意味着其更接近真实生产环境所需要的可靠性。

被低估的商业逻辑：端侧算力的经济性

相比性能指标，明略此次提出的另一个观点可能更值得关注。

过去一年，行业讨论 Agent 时更多关注模型能力，但企业真正部署时，成本往往是绕不开的问题。

云端 Agent 的推理能力越强，消耗的 Token 越多，相应成本也会持续增长。对于需要高频运行的复杂流程而言，这种边际成本并不低。

而端侧部署的逻辑不同。

硬件采购完成后，模型推理所带来的额外成本相对固定。换句话说，AI“思考”得更久、更复杂，不会像云端调用一样持续增加费用。

这也是为什么不少业内人士开始将端侧Agent视为企业自动化的新基础设施，而不仅仅是一种模型部署方式。

对于金融、医疗和政务等高频业务场景来说，合规要求和成本控制往往同样重要。端侧路线恰好同时回应了这两个问题。

从模型到市场

从更大的产业背景看，Agent正在经历从“演示价值”向“生产价值”的转变。

过去行业关注的是模型能否完成任务；现在企业更关心的是任务能否稳定执行、是否符合监管要求，以及投入产出比是否成立。

在这一过程中，云端Agent仍将是主流方向，但端侧Agent正在打开一部分此前难以触达的市场。

明略此次升级 Mano-CUA 2.0，某种程度上正是对这一趋势的回应。

当行业仍在比较谁拥有更强的大模型时，越来越多企业开始思考另一个问题：如果数据不能出域，AI还能不能真正参与生产流程？

对于金融、政务和医疗等强监管行业而言，这或许比模型排行榜上的排名更重要。因为决定AI能否创造价值的，最终不是参数规模，而是它是否能够在真实业务环境中被部署、被使用，并持续创造效率。