MobilePA-Bench：在复杂真实世界任务上评测移动规划智能体

随着端侧LLM智能体演化为个人副驾，移动操作系统已成为这一范式的关键试验场，使严格的能力评估变得必不可少。然而现有基准分为两派，各有致命盲区：以GUI为中心的基准测试表层的屏幕操作，却忽视后台工具使用与长视界规划；而静态函数调用基准依赖离线API匹配，脱离真实运行时约束。为弥补这一缺口，我们提出MobilePA-Bench，一个交互式、有状态、以工具为中心的基准，用于评测移动规划智能体的工具调用与规划能力。MobilePA-Bench运行在可执行沙箱上，该沙箱维护实时应用数据库并返回结构化反馈，覆盖13个功能域和212个真实移动工具。除基本工具使用外，它还沿三个高级维度评测中央规划智能体：(1)子智能体协作——分解复杂任务并把专业化工作委派给有能力的子智能体；(2)记忆使用——回忆存储的记忆、用户画像和过往偏好以解析隐式请求；(3)技能使用——调用预打包的组合技能而非从头规划每一步。大量实验表明，当前前沿LLM在移动场景下仍不可靠：在严格工具顺序、权限限制和意外运行时错误下，性能急剧下降。通过将交互式函数调用沙箱与基于证据的验证相结合，MobilePA-Bench既是实用的诊断基准，也是Agentic强化学习的交互式基础——加速可靠移动智能体的开发。