騰訊混元聯手港中文與清華推出 PhoneHarness，手機 agent 評測從「預測畫面」升級為「驗證實效」

騰訊混元研究團隊聯合香港中文大學與清華大學，發布手機 agent 測試框架 PhoneHarness。這套框架的核心轉向：不再只問「預測下一個畫面對不對」，而是問「任務有沒有真的完成」。實測結果顯示 75% 通過率，比所有未採用 PhoneHarness 設定的方案高出 12.9 個百分點。

PhoneHarness 的全名為《PhoneHarness: A Mixed-Action Orchestration Harness and Benchmark for Phone Agents across CLI, GUI, and MCP Tools》。技術核心是混合動作編排（Mixed-Action Orchestration），讓手機 agent 能在同一任務流程中同時調度 CLI 指令、GUI 點按操作，以及 host 端或 MCP 工具，不再侷限於單一操作通道。驗證機制也從「比對預測畫面」改為確認真實 side effect 是否發生，論文、專案頁面與 GitHub 均已公開。

這意味著手機 agent 的評測標準正在發生質變：過去主流 benchmark 依賴畫面截圖比對，容易讓模型「看起來對」卻沒把事做成；PhoneHarness 把「有沒有真的執行成功」納入評分，這看起來是推動 phone agent 從演示走向可用的關鍵分水嶺。對正在做 agent 開發或 MCP 整合的工程師而言，這套框架與評測思路值得追蹤。