KI-Modelle für Android-Agenten: sechs Kandidaten nach Aufgabe auswählen
GPT-6 Sol, Claude Opus 5.5, Gemini 3.8 Flash, Grok 4.7 und zwei GUI-Modelle im Überblick: Modell, API und Android-Ausführung richtig einordnen.
- Für Werkzeugaufrufe kommen GPT-6 Sol, Claude Opus 5.5, Gemini 3.8 Flash und Grok 4.7 infrage; der passende API-Endpunkt und seine Bedingungen müssen zur Aufgabe passen.
- AutoGLM-Phone-9B-Multilingual und GUI-Owl-1.5 sind auf Bildschirmbedienung ausgerichtete Modelle. Ihre Gewichte allein stellen weder einen Android-Aktionsexecutor noch eine FoneClaw-Anbindung bereit.
- Modellqualität im Telefonalltag zeigt sich an korrekten Werkzeugargumenten, angemessenen Rückfragen, Berechtigungsverhalten, Wiederaufnahme und einem überprüfbaren Ergebnis.
- FoneClaw bietet ein kostenloses Standardmodell sowie getrennte Wege für kompatible eigene Online-Modelle und kompatible Modelle auf dem Gerät. Die Laufzeit verwaltet unterstützte Android-Werkzeuge und Freigaben.
Das Modell nach der Telefonaufgabe auswählen
Die besten KI-Modelle für Agenten ergeben keine feste Rangfolge. Wer auf Android eine Nachricht entwerfen, einen Kalendertermin vorbereiten oder einen sichtbaren App-Zustand verstehen möchte, braucht unterschiedliche Fähigkeiten. Zuerst zählt deshalb die Aufgabe. Danach folgen die Fragen, über welchen Endpunkt das Modell erreichbar ist und welche Software seine Vorschläge auf dem Telefon tatsächlich ausführt.
| Kandidat | Modellart | Sinnvoller Prüfauftrag | Voraussetzung |
|---|---|---|---|
| GPT-6 Sol | Allgemeines API-Modell | Strukturierte Werkzeugaufrufe und Bildkontext | Passender API-Zugang und geprüftes Aufrufformat |
| Claude Opus 5.5 | Allgemeines API-Modell | Längere Planungs- und Wissensaufgaben | Zugang zur Claude-API oder zu einem angebotenen Cloud-Endpunkt |
| Gemini 3.8 Flash | Allgemeines API-Modell | Multimodale Eingaben und strukturierte Ausgaben | Zugang zum konkreten Gemini-API-Endpunkt |
| Grok 4.7 | Allgemeines API-Modell | Text- und Bildaufgaben mit Werkzeugaufrufen | Zugang zur xAI-API und Prüfung der Werkzeugübergabe |
| AutoGLM-Phone-9B-Multilingual | GUI-Spezialmodell | Bildschirminhalt in mögliche Telefonaktionen übersetzen | Modellbereitstellung, Phone-Agent-Framework und Geräteverbindung |
| GUI-Owl-1.5 | GUI-Spezialmodell | Interaktion mit mobilen und anderen grafischen Oberflächen | Geeignete Modellbereitstellung und Aktionsexecutor |
Für alltägliche FoneClaw-Aufgaben ist das kostenlose Standardmodell ein unmittelbarer Einstieg. Wer einen eigenen Endpunkt oder ein spezialisiertes GUI-Modell einsetzen will, muss zusätzlich Protokoll, Werkzeugformat und Geräteausführung prüfen. Ein Modellname allein beantwortet diese Fragen nicht.
Allgemeine Modelle für Werkzeugaufrufe
GPT-6 Sol ist innerhalb der aktuellen OpenAI-Modellfamilie der Kandidat für ein ausgewogenes Verhältnis von Fähigkeit und Kosten. Der API-Endpunkt heißt gpt-6-sol. Laut offizieller Modellbeschreibung verarbeitet er Text und Bilder und unterstützt Funktionsaufrufe sowie strukturierte Ausgaben. Für eingebaute Werkzeuge und Funktionsaufrufe ist die Responses API der vorgesehene Weg. Bei Funktionsaufrufen über Chat Completions verlangt dieser Endpunkt reasoning_effort: none. Wer bestehende Agentensoftware anschließt, sollte genau diese Protokollbedingung vor einer Modellwahl prüfen.
Claude Opus 5.5 bietet sich für längere Aufgaben an, bei denen ein Agent viele Informationen ordnen und seine nächsten Schritte sorgfältig planen muss. Anthropic führt das Modell unter der API-Kennung claude-opus-5-5; die Produktvorstellung und die Modellübersicht der Claude-Plattform beschreiben Bildverarbeitung und Werkzeugnutzung. Ein Zugang zur Claude Messages API ist jedoch nicht automatisch ein Anschluss für Software, die ein anderes API-Protokoll erwartet. Konto, Region und der tatsächlich angebotene Endpunkt gehören zur technischen Prüfung.
Gemini 3.8 Flash ist unter gemini-3.8-flash als stabiler API-Endpunkt dokumentiert. Die Google-Dokumentation nennt Text, Bilder, Video, Audio und PDF als Eingaben sowie Text als Ausgabe. Funktionsaufrufe und strukturierte Ausgaben werden unterstützt; Computerbedienung ist als Vorschau gekennzeichnet. Das Modell bietet weder die Live API noch Audioerzeugung. Funktionen der Gemini-App auf dem Telefon oder von Gemini Live dürfen daher nicht als Eigenschaften dieses Endpunkts vorausgesetzt werden.
Grok 4.7 verwendet die API-Kennung grok-4.7. Die xAI-Modellseite nennt Text- und Bildeingaben, Textausgabe, Funktionsaufrufe, strukturierte Ausgaben und einstellbares Schlussfolgern. Das macht den Endpunkt zu einem Kandidaten für Agenten, die sichtbaren Kontext mit Werkzeugaufrufen verbinden. Ob ein konkreter Android-Ablauf gelingt, hängt weiterhin vom angeschlossenen Werkzeug, dessen Argumenten und der Ausführung auf dem Gerät ab.
Diese vier Modelle liefern allgemeine Fähigkeiten über Anbieter-APIs. Ihre veröffentlichten Funktionen belegen noch keine direkte Kompatibilität mit FoneClaw und keine gemessene Erfolgsquote auf einem Smartphone. Auch ein Abonnement für eine Verbraucher-App ist nicht automatisch ein API-Zugang beim selben Anbieter.
Spezialmodelle für Bildschirmbedienung
Wenn ein Agent Schaltflächen, Dialoge und wechselnde App-Ansichten deuten muss, sind Modelle für grafische Oberflächen eine eigene Kategorie. AutoGLM-Phone-9B-Multilingual ist ein offenes Telefon-GUI-Modell mit multimodalem Bildschirmverständnis. Die Modellkarte von AutoGLM-Phone ist dabei vom begleitenden Phone-Agent-Framework zu unterscheiden: Das Framework verbindet das Modell mit dem Gerät und führt Aktionen über ADB aus. Es sieht Bestätigungen für sensible Aktionen und eine Übergabe an Menschen etwa bei Anmeldung oder Verifizierung vor.
Der Bereitstellungsleitfaden von Open-AutoGLM beschreibt sowohl gehostete Modelldienste als auch einen eigenen Modellserver mit vLLM. Ein lokal betriebener Server ist nicht gleichbedeutend mit Modellberechnung auf dem Android-Telefon: Rechenhardware, Dienst, Geräteverbindung und Aktionsframework bleiben eigenständige Bestandteile.
GUI-Owl-1.5 ist eine Modellfamilie für grafische Oberflächen auf Mobilgeräten, Desktop und im Browser. Das offizielle Mobile-Agent-Projekt unterscheidet die Modellfamilie vom Agentensystem Mobile-Agent-v3.5. Eine verfügbare Gewichtsvariante ist GUI-Owl-1.5-8B-Instruct. Für den Einsatz sind dennoch Modellbereitstellung, Aktionsschema und ein Executor nötig. Eine Vorführung auf einem Cloud-Telefon belegt keine Steuerung des eigenen Smartphones; offene Modellgewichte lassen sich auch nicht allein deshalb in FoneClaw importieren.
Sieben Kriterien für Android-Agenten
Ein Modell sollte an der Aufgabe gemessen werden, die es später auf dem Telefon übernehmen soll. Diese sieben Kriterien aus der Modellwahl bleiben dafür nützlich:
- Werkzeugaufrufe: Wählt das Modell ein passendes Werkzeug und übergibt Kontakt, Datum, Text oder Ziel-App in den erwarteten Feldern?
- Anweisungen: Hält es Grenzen ein und fragt bei mehrdeutigen oder fehlenden Angaben nach?
- Antwortzeit: Wie lange dauert der gesamte Ablauf bis zum sichtbaren Ergebnis, einschließlich Netzweg und Werkzeugausführung?
- Kontext: Nutzt es den geprüften Zwischenstand, statt einen früheren Bildschirmzustand oder eine Vermutung fortzuschreiben?
- Bildverständnis: Kann der konkrete Endpunkt Bilder verarbeiten, wenn die Aufgabe einen Screenshot oder Kamerakontext erfordert?
- Kosten: Was verursachen wiederholte Modellaufrufe, lange Eingaben und gegebenenfalls zusätzliche Werkzeuge?
- Fehlerbehandlung: Bleibt nach verweigerter Berechtigung, Unterbrechung oder fehlgeschlagenem Schritt klar, was erledigt wurde?
Ein flüssiger Text beweist noch keine korrekten Werkzeugargumente. Ebenso zeigt ein Modell mit Bildverarbeitung nicht automatisch, dass es auf dem Zielgerät handeln darf. Verfügbarkeit nach Region, Konto und API-Endpunkt kann eine fachlich passende Wahl zusätzlich ausschließen.
Kosten und Antwortzeit vergleichen
API-Preise und Antwortzeiten lassen sich nur für einen definierten Arbeitsweg sinnvoll vergleichen. Anbieter rechnen unter anderem Ein- und Ausgabetokens ab; lange Kontexte, Caching, Schlussfolgern, Verarbeitungsregion, Dienststufe und zusätzliche Werkzeuge können den Betrag verändern. Prüfen Sie deshalb die aktuellen Konditionen auf den verlinkten Modellseiten von OpenAI, Anthropic, Google und xAI. Für GUI-Modelle kommen gegebenenfalls Serverbetrieb, Geräteanbindung und Betreuung des Aktionsframeworks hinzu.
Für eine wiederkehrende Telefonaufgabe zählt der Gesamtaufwand bis zum bestätigten Endzustand: Modellantwort, nötige Rückfrage, Werkzeugausführung, mögliche Wiederholung und Ergebnisprüfung. Eine veröffentlichte Modellgeschwindigkeit oder ein Anbieter-Benchmark ersetzt diese Messung auf Ihrem Gerät nicht. Halten Sie bei einem Vergleich Aufgabe, Netzwerk, Berechtigungen und Ziel-App gleich; sonst lässt sich der Unterschied kaum dem Modell zuordnen.
Die Modellroute in FoneClaw wählen
Wir trennen in FoneClaw das Modell von der Android-Ausführung. Das Modell versteht eine Anweisung und plant mögliche Schritte. FoneClaw stellt die unterstützten Telefonwerkzeuge bereit und verwaltet die dafür nötigen Berechtigungen und Freigaben. Ob eine Aktion möglich ist, entscheidet damit auch das verfügbare Werkzeugschema, nicht allein die Fähigkeit des Modells zu einer überzeugenden Antwort.
Für die Modellwahl gibt es drei unterschiedliche Wege: das kostenlose Standardmodell, eine kompatible eigene Online-Konfiguration und den Import eines kompatiblen Modells zur Nutzung auf dem Gerät. Eine Online-API muss in Protokoll, Authentifizierung und Werkzeugformat zur konfigurierten Route passen. Bei einem Modell auf dem Gerät sind Modellformat, Laufzeit und Ressourcen des konkreten Telefons zu prüfen. Lokal ausgeführte Android-Werkzeuge bedeuten nicht, dass jede Modellanfrage oder Transkription ohne Netz verarbeitet wird.
Die deutsche FoneClaw-Funktionsübersicht zeigt die unterstützten Aufgabenbereiche. Wer einen eigenen API-Endpunkt einrichten möchte, findet in KI-Modell-API mit Android-Agent verbinden: FoneClaw sicher konfigurieren die dafür nötigen Schritte. Informationen zum Einstieg und zu verfügbaren App-Varianten stehen auf der deutschen Downloadseite. Die sechs genannten Kandidaten sind Auswahlmöglichkeiten für unterschiedliche Aufgaben, keine pauschal bestätigten FoneClaw-Integrationen.
Vor dem Wechsel auf dem Zielgerät testen
Ein kleiner Versuch mit reversiblen Aufgaben zeigt mehr als ein allgemeiner Modellvergleich. Lassen Sie zunächst einen Gerätezustand lesen und eine Nachricht nur als Entwurf formulieren. Danach folgt eine unterstützte Aktion, etwa das Anlegen eines unkritischen Memos. Prüfen Sie, welches Werkzeug gewählt wurde, ob dessen Angaben stimmen und ob der gespeicherte Eintrag tatsächlich sichtbar ist.
Im zweiten Durchgang verweigern Sie eine Berechtigung oder lassen eine nötige Angabe offen. Das Modell sollte den Zustand benennen und eine Rückfrage stellen, statt die Aktion als erledigt auszugeben. Unterbrechen Sie anschließend einen Ablauf und prüfen Sie, welche Schritte abgeschlossen wurden und welche offen sind. Für eine visuelle Aufgabe kommt hinzu, ob der konkrete Endpunkt den Screenshot verarbeiten kann und ob die Laufzeit einen passenden Android-Schritt unterstützt.
Wenn mehrere Modelle je nach Aufgabe eingesetzt werden sollen, erläutert Modell-Routing für Handy-Agenten: Kimi, DeepSeek, GLM und FoneClaw die Zuordnung unterschiedlicher Routen. Wie Sie Aufgaben, Wiederholungen und bestätigte Ergebnisse vergleichbar erfassen, beschreibt Android Phone Agent Benchmark: So bewertet man mobile KI-Agenten 2026. Erst die Ergebnisse auf dem eigenen Gerät zeigen, ob sich ein Wechsel vom Standardmodell für Ihren Ablauf lohnt.