우리는 독점적인 백엔드(proprietary backends)를 복제하지 않으면서도 상호작용 충실도(interaction fidelity)를 목표로 하는, 일상적인 모바일 사용을 위한 브라우저 호스팅 방식의 경량화되고 완전히 제어 가능한 환경인 MobileGym을 선보입니다. MobileGym은 기존의 일상적인 앱에서는 도달할 수 없었던 두 가지 기능을 가능하게 합니다: 구조화된 JSON 상태(structured JSON state)에 대한 결정론적 상태 기반 판정(deterministic state-based judging)을 통한 검증 가능한 결과 신호(verifiable outcome signals), 그리고 저비용 병렬 롤아웃(parallel rollouts)을 통한 확장 가능한 온라인 강화학습 (RL)입니다. 전체 환경 상태는 구조화된 JSON으로서 캡처, 구성, 포크(fork) 및 비교되며, 단일 서버가 인스턴스당 약 400MB의 메모리와 약 3초의 콜드 스타트(cold start) 시간으로 수백 개의 병렬 인스턴스를 호스팅할 수 있습니다. 계층화된 상태 모델(layered state model)과 선언적 작업 정의 프레임워크(declarative task-definition framework)는 상태 프로그래밍 가능성(state programmability)과 대규모 작업 생성을 실용적으로 유지하며, 단일 프로그래밍 방식의 판정 메커니즘은 결정론적 평가 판결과 조밀한 강화학습 (RL) 보상(dense RL rewards)을 모두 제공합니다. 함께 제공되는 MobileGym-Bench는 28개의 앱에 대해 256개의 테스트 템플릿과 160개의 학습 템플릿을 포함하여 총 416개의 매개변수화된 작업 템플릿을 제공하며, 결정론적 판정기(deterministic judges)와 자유 형식 텍스트 매칭 실패를 방지하는 구조화된 AnswerSheet 프로토콜을 갖추고 있습니다. Sim-to-Real 사례 연구에서, Qwen3-VL-4B-Instruct에 적용된 GRPO는 256개 작업 테스트 세트에서 +12.8 퍼센트 포인트의 성능 향상을 얻었으며, 59개 작업의 실제 기기 신호 서브셋(real-device signal subset)에서는 실제 기기 실행 시 시뮬레이션 측 학습 이득의 95.1%를 유지했습니다. 프로젝트 페이지: https://mobilegym.github.io.