原標題：純視覺方案，精準操控電腦和手機！港大Aria-UI登頂，超越Claude 3.5
文章來源：新智元
內容字數：13458字

Aria-UI：純視覺GUI智能交互的性突破

在當今數字時代，智能助手的重要性日益凸顯。然而，將自然語言指令精準映射到圖形用戶界面（GUI）元素一直是該領域的核心挑戰。傳統方法效率低下且兼容性差。港大聯合Rhymes AI推出的Aria-UI，憑借其開創性的“純視覺理解”方案，徹底改變了這一現狀。

1. 核心創新：純視覺理解

不同于依賴無障礙API或后臺數據，Aria-UI 僅通過觀察GUI界面即可完成自然語言理解、界面元素定位和任務執行。此方案簡化了部署流程，并為跨平臺自動化開辟了新范式。它實現了“看到即會操作”的自然交互，如同人類用戶一樣，AI能夠自主完成復雜操作。

2. 卓越性能：基準測試領先

在權威基準測試AndroidWorld和OSWorld中，Aria-UI分別獲得第一名和第三名，超越了業界領先的Claude 3.5 Sonnet。這證明了其強大的跨平臺自動化能力和模擬人類操作電腦的能力。

3. 高效模型架構：MoE的應用

Aria-UI采用創新的MoE (Mixture of Experts)架構，僅激活3.9B參數，卻保持了良好的性能。這使得模型計算資源需求大幅降低，推理速度更快，并支持在資源受限場景下靈活部署。

4. 智能指令適配引擎：數據驅動方案

Aria-UI設計了高度自動化的數據生成pipeline，自動合成海量高質量訓練樣本，涵蓋網頁、桌面和移動端三大平臺。這增強了模型的指令理解能力和泛化性能，使其能夠應對各種復雜任務場景。

5. 動態上下文感知：多模態融合

Aria-UI融合了多模態上下文理解機制，整合文本記錄和圖文操作歷史，增強了場景理解能力，能夠準確把握動態變化的操作環境，將復雜指令精準轉化為具體行動。

6. 全面性能測評：技術優勢顯著

在純視覺人機交互基準測試中，Aria-UI的表現遠超現有最佳視覺模型。在與傳統方案對比中，Aria-UI僅依靠視覺理解就取得了顯著的性能提升。

7. 開放共享：便捷部署

Aria-UI全面開源模型權重與訓練數據，提供即用型vLLM推理腳本，支持主流Hugging Face Transformers框架，并提供完整的部署文檔與示例，真正做到“開箱即用”。

8. 總結：未來展望

Aria-UI的突破性創新為GUI智能交互帶來了性的改變。其高效、精準、跨平臺的特性，為構建更智能、更實用的自動化解決方案奠定了堅實的基礎，也為未來更廣泛的任務自動化應用開辟了新的可能性。

聯系作者

文章來源：新智元
作者微信：
作者簡介：智能+中國主平臺，致力于推動中國從互聯網+邁向智能+新紀元。重點關注人工智能、機器人等前沿領域發展，關注人機融合、人工智能和機器人對人類社會與文明進化的影響，領航中國新智能時代。