AIGC動(dòng)態(tài)歡迎閱讀

原標(biāo)題：讓大模型理解手機(jī)屏幕，蘋果多模態(tài)Ferret-UI用自然語言操控手機(jī)
關(guān)鍵字：任務(wù),屏幕,解讀,模型,圖像
文章來源：機(jī)器之心
內(nèi)容字?jǐn)?shù)：6937字

內(nèi)容摘要：

機(jī)器之心報(bào)道
編輯：陳萍此次，蘋果提出的多模態(tài)大語言模型（MLLM） Ferret-UI ，專門針對移動(dòng)用戶界面（UI）屏幕的理解進(jìn)行了優(yōu)化，其具備引用、定位和推理能力。移動(dòng)應(yīng)用已經(jīng)成為我們?nèi)粘Ｉ畹囊淮笾匾M成部分。使用移動(dòng)應(yīng)用時(shí)，我們通常是用眼睛看，用手執(zhí)行對應(yīng)操作。如果能將這個(gè)感知和交互過程自動(dòng)化，用戶也許能獲得更加輕松的使用體驗(yàn)。此外，這還能助益手機(jī)輔助功能、多步 UI 導(dǎo)航、應(yīng)用測試、可用性研究等。
為了在用戶界面內(nèi)實(shí)現(xiàn)感知和交互的無縫自動(dòng)化，就需要一個(gè)復(fù)雜的系統(tǒng)，其需要具備一系列關(guān)鍵能力。
這樣一個(gè)系統(tǒng)不僅要能完全理解屏幕內(nèi)容，還要能關(guān)注屏幕內(nèi)的特定 UI 元素。以視覺理解為基礎(chǔ)，它應(yīng)當(dāng)有能力進(jìn)一步將自然語言指令映射到給定 UI 內(nèi)對應(yīng)的動(dòng)作、執(zhí)行高級推理并提供其交互的屏幕的詳細(xì)信息。
為了滿足這些要求，必須開發(fā)出能在 UI 屏幕中確定相關(guān)元素位置并加以引述的視覺 – 語言模型。其中，確定相關(guān)元素位置這一任務(wù)通常被稱為 grounding，這里我們將其譯為「定基」，取確定參考基準(zhǔn)之意；而引述（referring）是指有能力利用屏幕中特定區(qū)域的圖像信息。
多模態(tài)大型語言模型（

原文鏈接：讓大模型理解手機(jī)屏幕，蘋果多模態(tài)Ferret-UI用自然語言操控手機(jī)

聯(lián)系作者

文章來源：機(jī)器之心
作者微信：almosthuman2014
作者簡介：專業(yè)的人工智能媒體和產(chǎn)業(yè)服務(wù)平臺