Jev-Mobile：Jev 作为移动端 GUI 智能体的执行器

视觉语言模型（VLM）已成为自主移动端 GUI 智能体的常用基础，但现有大多数系统几乎在每个交互步骤中都依赖 VLM 同时进行规划和动作落地，从而带来显著的延迟和模型服务成本。我们提出了 Jev-Mobile，将这一范式转变为低频 VLM 规划与高频轻量级执行：VLM 指定局部目标，无障碍树定义结构化的可执行动作空间，而 Jev 这一快速的类型化决策模型则在该空间内反复选择动作。这种设计允许在单次 VLM 决策下执行多个 GUI 动作，在保留自适应交互能力的同时减少昂贵的 VLM 推理。在完整的 AndroidWorld 任务套件上，Jev-Mobile 的任务成功率达到 79%，而 SeeAct-V 和 Step-wise VLM 基线分别为 78% 和 84%。在成功轨迹中，与 Step-wise VLM 相比，其端到端平均执行时间减少了 32.7%，模型 API 平均成本降低了 73.4%。这些结果表明，将高层 VLM 推理与低层动作执行解耦，可以在保持具有竞争力的任务性能的同时，显著提升移动端 GUI 智能体的效率。