让 AI 替你在手机上改设置、到电脑里整理文件，再去网页提交表单，今天往往要换三套“专才”。MintAct 想把它们合成一个模型：它直接读取截图和文字指令，判断该点哪里、输入什么，并在每一步操作后继续决策。值得关注的是，它统一的不只是三类屏幕，还包括 UI grounding——把“点开设置”准确对应到按钮和坐标——以及需要连续操作的多步导航。
难点在训练：手机、桌面和网页的操作方式不同，简单混合数据容易彼此干扰。MintAct 先分别用各领域的强化学习训练“专才”，再把能力汇回同一模型，最后联合优化；其异步训练系统还会控制各平台的数据比例，避免响应更快的平台占据训练。作者称，8B 版本在桌面任务基准 OSWorld-Verified 得到 48.9，并在相近规模下匹配或超过各领域专用模型。这个结果说明，统一接口未必必须牺牲单个平台的表现，不过目前证据仍来自论文作者的基准测试。