mano-p 1.0 是明略科技（2718.hk）正式开源的 gui-vla（graphical user interface - vision-language-action）智能体模型，于2026年4月14日发布。该模型以纯视觉方式驱动，不依赖任何api、html解析或底层协议，可直接“观看”并操作真实桌面软件、网页界面及复杂图形化工作流，真正实现从感知到执行的端到端闭环。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Mano-P 1.0 的核心能力
- 全栈式GUI交互能力：集成感知、理解、规划、操作与验证五大模块，支持点击、文本输入、窗口切换、多步导航及视觉反馈验证等完整动作链。
- 无协议视觉直控：跳过传统自动化对CDP、Accessibility API或网页DOM的依赖，仅凭屏幕像素即可识别按钮、表格、3D渲染界面乃至非标准遗留系统，突破浏览器与操作系统生态限制。
- 端云协同部署架构：提供72B完整版（面向云端高负载任务）与4B量化轻量版（专为Apple M4芯片优化），后者可在Mac mini/MacBook等设备本地运行，峰值内存占用仅4.3GB，推理速度达476 tokens/s。
- Agent原生兼容设计：以Skill形式即插即用地接入OpenClaw、Claude Code等主流AI Agent框架，补足其GUI执行短板，使Agent具备跨窗口、跨应用、跨平台的自主操作能力。
Mano-P 1.0 的技术实现
- 多模态VLA统一建模：将屏幕截图、自然语言指令与动作坐标联合建模，直接输出像素级操作指令（如(x,y)点击坐标、键盘输入序列），无需中间结构化表示。
- 三阶段渐进式训练范式：先通过监督微调建立基础视觉-动作映射；再利用离线强化学习提升策略鲁棒性；最终借助在线强化学习实现环境动态响应与实时纠错。
- GSPruning高效压缩技术：针对GUI图像中大量冗余背景区域，提出视觉Token动态剪枝机制，结合4-bit量化，在保持精度前提下显著降低计算开销。
- 物理隔离隐私保障：所有处理均在本地完成，原始屏幕帧与操作数据不出设备，满足金融、医疗等强合规场景对数据主权的严苛要求。
如何快速上手 Mano-P 1.0
- 获取资源：前往GitHub官方仓库下载源码、预训练权重与详细文档：https://www.php.cn/link/039043c90e0bec4f2947ad9778dc35c0
- 选择部署路径：开发者可根据需求选用4B量化版（M4设备本地运行）或72B完整版（云端部署）；亦可通过USB 4.0外接Mano-P专用算力棒扩展端侧算力。
- 集成Agent工作流：参考官方示例，将Mano-CUA Skill配置至OpenClaw或Claude Code，赋予Agent真实界面操控能力。
- 启动任务：输入自然语言指令（如“将Excel中A1:C10数据复制到Outlook新邮件正文，并发送给张经理”），模型自动解析界面、定位控件、执行操作并验证结果。
Mano-P 1.0 的关键特性概览
- 开源许可：采用Apache 2.0协议，代码完全公开可审计，允许商用及深度定制。
- 性能表现：在OSWorld、ScreenSpot-V2等13项国际GUI自动化基准测试中全部刷新SOTA纪录，其中OSWorld任务成功率高达58.2%，较第二名OpenCUA-72B（45.0%）领先13.2个百分点。
- 硬件适配：端侧部署最低要求Apple M4芯片 + 32GB内存；支持无网环境下的长周期任务自主执行与动态决策。
- 生态定位：不仅是独立GUI智能体，更是AI Agent时代的“执行层基础设施”，填补当前大模型在真实图形界面中“看得见却动不了”的关键空白。
Mano-P 1.0 的差异化优势
- 真·纯视觉架构：与部分混合依赖OCR或UI树解析的方案不同，Mano-P 1.0全程基于原始像素建模，对模糊、遮挡、动态渲染等复杂视觉场景具备更强泛化力。
- 端侧可用性革命：业界首个在消费级M4设备上实现全流程GUI自动化的开源模型，彻底摆脱对高端GPU或云端API的依赖。
- 离线长任务韧性：支持超百步连续操作与上下文感知回溯，在断网、低带宽或高安全等级环境中仍保持稳定任务交付能力。
- 开箱即用的Agent赋能：无需重写Agent内核，仅需加载Skill即可获得GUI执行能力，大幅降低AI自动化落地门槛。
Mano-P 1.0 的项目地址
Mano-P 1.0 的同类竞品对比
| 对比维度 | Mano-P 1.0 | OpenCUA-72B | Claude Computer Use |
|---|---|---|---|
| **开发方** | 明略科技 | 开源社区 | Anthropic |
| **模型版本** | 72B 完整版 / 4B 量化版 | 72B | Claude 3.5 Sonnet（闭源） |
| **开源协议** | Apache 2.0（可商用） | 开源 | 闭源 |
| **OSWorld 成绩** | **58.2%** | 45.0% | 未公开/约 40% 区间 |
| **部署方式** | 本地端侧 + 云端 | 本地 GPU / 云端 | 仅云端 API |
| **端侧硬件要求** | Apple M4 芯片，32GB 内存，4.3GB 峰值显存 | 需高配 GPU（如 A100），无专用量化版 | 不支持本地部署 |
| **离线能力** | 支持长任务离线自主执行 | 支持离线 | 必须联网 |
| **视觉方案** | 纯视觉理解（像素级） | 纯视觉 | 视觉 + 文本混合 |
| **集成方式** | Skill 接入 OpenClaw/Claude Code | 需自行开发接口 | 仅限 Claude Code 生态 |
Mano-P 1.0 的典型应用场景
- 跨平台办公流自动化：在Excel、SAP、Outlook等异构系统间自动同步数据、生成报告并分发通知，无需各系统开放API。
- 专业软件无人化操作：操控Photoshop批量修图、Blender渲染动画、AutoCAD修改图纸，甚至驱动无SDK支持的工业控制界面。
- 全自动UI回归测试：模拟真实用户行为完成登录、表单提交、弹窗处理、结果比对等全流程测试，替代人工点检与脚本维护。
- 高敏数据本地处理：在本地完成财务凭证录入、病历结构化提取、法务合同比对等任务，杜绝敏感信息上传风险。
- 边缘离线智能运维：于航空、能源、船舶等弱网或无网环境中，自主完成设备监控界面操作、日志分析与故障上报。
